Обзор метода NN-Explainer. Источник: Автоматизация в строительстве (2024). DOI: 10.1016/j.autcon.2024.105497
Благодаря последним достижениям в области искусственного интеллекта (ИИ) инженеры-строители могут более эффективно и экономично проверять крупномасштабную инфраструктуру, а также отслеживать прогрессирование серьезности повреждений с течением времени.
Группа исследователей EPFL продемонстрировала осуществимость метода на основе ИИ для обнаружения, роста и мониторинга трещин и вскоре испытает его на участке железной дороги между Церматтом и Бригом в кантоне Вале. Исследование опубликовано в Автоматизация в строительстве.
ИИ может помочь повысить безопасность на железной дороге, обеспечивая автоматизированные проверки путей, шпал, балласта и подпорных стенок. Исследователи из лаборатории интеллектуальных систем технического обслуживания и эксплуатации (IMOS) EPFL разработали метод на основе ИИ, который повышает эффективность обнаружения трещин в бетонных конструкциях.
Их исследование представляет новый метод, который использует объяснимый искусственный интеллект, или форму ИИ, которая позволяет пользователям понимать основу решений ИИ.
«Мы обучили алгоритм различать изображения с трещинами и без трещин в бетонных стенах [задача бинарной классификации], предоставив ему сотни образцов изображений из обеих категорий. Затем мы попросили алгоритм выделить, какие пиксели он использовал для принятия решения», — говорит Флорент Форест, ученый из лаборатории IMOS и ведущий автор исследования.
Алгоритм успешно идентифицировал пиксели, соответствующие трещинам. «С нашим подходом пользователи могут предоставить алгоритму изображения, сделанные за несколько лет на участке железной дороги или любой другой регулярно проверяемой инфраструктуре, и попросить его количественно оценить серьезность трещин в стенах и шпалах с течением времени. Это помогает операторам инфраструктуры более эффективно планировать свое обслуживание», — говорит он.
Расширенные проверки
В настоящее время железнодорожные операторы регулярно проверяют состояние инфраструктуры, например, подпорных стенок, используя предопределенные критерии, где оценки присваиваются опытными инспекторами. Однако этот процесс часто подвержен субъективным оценкам и затрудняет отслеживание изменений с течением времени, особенно когда разные инспекторы оценивают один и тот же участок инфраструктуры в разные моменты времени.
Благодаря достижениям в области цифровизации операторы железных дорог могут контролировать состояние путей с помощью специализированного контрольного вагона, оснащенного различными измерительными приборами, а также боковыми и напольными камерами для визуального осмотра рельсов, бетонных шпал и подпорных стенок.
Используя эти системы на базе искусственного интеллекта для количественной оценки серьезности повреждений, процесс осмотра можно автоматизировать, сделав его более объективным, точным и простым для сравнения с течением времени.
Исследовательская группа EPFL опробует свой метод на участках железной дороги между Церматтом и Бригом, а также между Бригом и Дисентисом. Эти секции включают в себя ряд подпорных стенок различной формы и из разных материалов, что значительно усложняет задачу для алгоритма.
Команда уже собрала изображения с дронов, а также изображения с вагона-наблюдателя и будет использовать свой алгоритм ИИ, чтобы помочь оператору железной дороги чаще и систематически контролировать свою инфраструктуру.
Дополнительная информация: Флоран Форест и др., От классификации к сегментации с объяснимым ИИ: исследование по обнаружению трещин и мониторингу роста, Автоматизация в строительстве (2024). DOI: 10.1016/j.autcon.2024.105497 Предоставлено Федеральной политехнической школой Лозанны
