Key points are not available for this paper at this time.
L'impartialité et la fiabilité de l'évaluation, ainsi que les exigences élevées en temps et en coûts, rendent impossible la réalisation d'un examen manuel des problèmes d'infrastructure tels que les fractures des bâtiments. Pour les images aériennes de dommages, on utilise des véhicules aériens sans pilote. L'intelligence artificielle et les méthodes d'apprentissage automatique peuvent aider à surmonter les limites de nombreuses approches basées sur la vision par ordinateur pour la détection des fissures. Mais ces approches hybrides ont leurs propres limitations qui peuvent être résolues. Les images présentant des dommages peuvent être détectées plus précisément à l'aide de réseaux de neurones convolutionnels modifiés (MCNN), qui sont moins affectés par le bruit d'image. Pour l'identification des fractures et l'évaluation des dommages dans les infrastructures civiles, un Modèle de CNN Profond Modifié (MDCNN) a été déployé. L'architecture convolutive à 16 couches et la machine à vecteurs de support sont utilisées dans ce design. La dernière couche des réseaux CNN est remplacée par SVM. Au lieu de s'appuyer sur une seule couche, nous proposons un réseau à plusieurs couches. Leurs capacités à identifier des objets et à les classer sont très fiables. Un autre grand avantage des MDCNN est leur capacité à partager la charge. Comparé à un réseau neuronal standard, la méthode proposée utilise significativement moins de puissance de traitement.
Prabu et al. (Jeu,) ont étudié cette question.