يك روش هوشمند براي طبقه بندي ترك در سازه هاي بتني بر اساس شبكه هاي عصبي عميق

An Intelligent Method for Crack Classification in Concrete Structures Based on Deep Neural Networks

شناسايي و بررسي انواع ترك ها در سازه هاي بتني يكي از موضوعات چالش برانگيز در حوزه مهندسي به شمار مي رود. تشخيص چندشاخگي در ترك به دليل اينكه موجب شناسايي سطوح شدت بالا در سازههاي بتني ميشود، از اهميت بسزايي برخوردار است. در اين مقاله يك معماري جديد بر مبناي شبكه هاي عصبي كانولوشني براي طبقه بندي ترك در سازه هاي بتني ارائه گرديد. معماري پيشنهادي در زمان كمتر و صحت بالاتر نسبت به ساير معماري هاي مرسوم و معتبر در يادگيري عميق، چندشاخگي در ترك را شناسايي و طبقه بندي كرد. در اين مقاله ترك هاي موجود در 12000 تصوير سازه هاي بتني توسط الگوريتم پيشنهادي بررسي شدند كه در نتيجه اين تصاوير با صحت 99/3 درصد در دسته هاي تصاوير بدون ترك، تصاوير داراي ترك ساده و تصاوير داراي چندشاخگي در ترك طبقه بندي شدند. همچنين تحليل ماتريس درهم ريختگي نشان از دقت 99/3 درصد و فراخواني99/5 درصد داشت كه تأييدي بر عملكرد مناسب الگوريتم پيشنهادي بود. آناليز حساسيت الگوريتم پيشنهادي نيز الزام وجود تناسب ميان تعداد داده، تعداد نورون هاي لايه تماماً متصل، زمان اجرا و درصد صحت مورد انتظار با توجه به كابرد مسأله را نشان داد.

Identifying and examining the types of cracks in concrete structures is one of the challenging engineering issues. Detection of crack bifurcation is very important because it detects high-intensity surfaces in concrete structures. In this paper, a new architecture based on convolutional neural networks is presented for crack classification in concrete structures. The proposed architecture detected and classified crack bifurcation in less time and with higher accuracy than other conventional and authentic deep learning architectures. In this paper, the cracks in 12000 images of concrete structures were investigated by the proposed algorithm, which resulted in 99.3% accuracy in categorizing as non-cracked images, images with simple cracks, and bifurcated crack images. Moreover, the analysis of the confusion matrix showed an accuracy of 99.3% and a recall of 99.5%, which confirmed the proper performance of the proposed algorithm. The sensitivity analysis of the proposed algorithm also showed the need for proportionality between the number of data, the number of neurons in the fully connected layer, execution time, and the expected percentage of accuracy according to the application of the problem.