zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Kiến trúc - Xây dựng

Xác định vị trí vết nứt bề mặt bê tông dựa trên mô hình YOLOv8

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

25
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong nghiên cứu này, một thuật toán xây dựng trên nền tảng YOLOv8 nhằm phát hiện và đánh giá các mức độ khác nhau của vết nứt trong ảnh được đề xuất. Các khiếm khuyết trong hình ảnh được dán nhãn theo độ rộng của vết nứt, tạo nên một bộ dữ liệu hình ảnh mới với các mức độ vết nứt khác nhau.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Xác định vị trí vết nứt bề mặt bê tông dựa trên mô hình YOLOv8

Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 XÁC ĐỊNH VỊ TRÍ VẾT NỨT BỀ MẶT BÊ TÔNG DỰA TRÊN MÔ HÌNH YOLOV8 Ngô Phi Vũ1, Trang Duy Hải2, Khánh Phạm1, Nguyễn Anh Dũng2 1 Trường Đại học Quốc tế, Đại học Quốc gia TP. HCM, email: ngophivu01@gmail.com 2 Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG Thuật toán này có thể phát hiện vết nứt với các mức độ khác nhau một cách tự động và Tại Việt Nam, tốc độ đô thị hóa diễn ra nhanh chóng. Hình 1 diễn tả lưu đồ của mạnh mẽ kéo theo sự phát triển vượt bậc hạ tầng giao thông và công trình xây dựng có phương pháp, được chia thành bốn phần quy mô lớn. Yếu tố thời tiết và thiên tai đặc chính: (1) xây dựng bộ dữ liệu, thu thập dữ trưng là vấn đề thách thức về khả năng làm liệu bằng hệ thống thu thập hình ảnh và gắn việc theo thời gian của các công trình dân nhãn các hình ảnh vết nứt này để đào tạo; (2) dụng, cơ sở hạ tầng. Do đó, việc đánh giá và đào tạo máy học, là quá trình tìm kiếm các xem xét để phục vụ cho bảo dưỡng và bảo trì siêu tham số tối ưu của mô hình; (3) phát bê tông là rất cần thiết. Trong những năm gần hiện vị trí và mức độ vết nứt, đưa ra dự đoán đây, ứng dụng xử lý ảnh trong phát hiện vết mô hình; và (4) đánh giá thiệt hại vết nứt nứt là một hướng đi phù hợp để giải quyết thực tế, giúp chuyển đổi mức độ vết nứt ở các vấn đề nêu trên và kỹ thuật này được ứng cấp độ pixel thành tỷ lệ thực tế. Nguyên tắc dụng ngày càng phổ biến trong quản lý cơ sở phát hiện và sự biến đổi của các mức độ thiệt hạ tầng công trình dân dụng. Bên cạnh những hại được giải thích trong các phần dưới đây. thành tựu đáng kể, những nghiên cứu trước đây vẫn tồn tại số vấn đề như phụ thuộc vào các đặc điểm của hình ảnh và nhiễu (ánh sáng, bóng tối, vết nhòe, v.v…), không có lợi cho việc truy xuất các đặc tính của vết nứt. Trong nghiên cứu này, một thuật toán xây dựng trên nền tảng YOLOv8 nhằm phát hiện và đánh giá các mức độ khác nhau của vết nứt trong ảnh được đề xuất. Các khiếm khuyết trong hình ảnh được dán nhãn theo độ rộng của vết nứt, tạo nên một bộ dữ liệu hình ảnh mới với các mức độ vết nứt khác nhau. Hình 1. Tổng quan về vị trí vết nứt Sử dụng các mô hình học sâu YOLOv8, vết và thuật toán dò tìm (F.Kang and J.Li) nứt không chỉ có thể được trích xuất và định vị chính xác mà còn được đánh giá tự động. 2.1. Nguyên tắc phát hiện của YOLOv8 2. PHƯƠNG PHÁP NGHIÊN CỨU Máy dò vị trí vết nứt được đề xuất trong nghiên cứu này dựa trên mô hình YOLOv8. Để đánh giá nhanh vị trí và mức độ vết Không giống như cách tiếp cận hai giai đoạn nứt, bài báo này đề xuất một bộ phát hiện vị (chẳng hạn như Faster R-CNN), thuật toán trí và mức độ vết nứt dựa trên YOLOv8. YOLO biến vấn đề phát hiện thành vấn đề 203
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 hồi quy, trong đó có thể thu được các hộp giới hạn (bounding box) và độ tin cậy của các đối tượng ngay lập tức. Bằng cách thay đổi chiều rộng và chiều sâu của mạng trục, bốn phiên bản của mô hình YOLOv8 đã thu được, đó là YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x. Hình 2 mô tả kiến trúc của YOLOv8. Hình 3. Tăng cường dữ liệu khảm Hình 4. Tăng cường dữ liệu hỗn hợp 3. ƯU ĐIỂM CỦA YOLOV8  API thân thiện với người dùng.  Yolo xử lí hình ảnh và không chiếm quá nhiều dung lượng bộ nhớ.  Hỗ trợ phát hiện, phân đoạn và phân loại Hình 2. Kiến trúc của YOLOv8 (RangeKing) hình ảnh.  Mạng lưới đường trục mới. 2.2. Dữ liệu đầu vào  Sở hữu mạng xương sống, hàm mất mát YOLOv8 áp dụng phương pháp tăng dữ mới. liệu Mosaic và Mixup. Phương pháp tăng  Có thể sử dụng với GPU và CPU. cường dữ liệu bằng việc kết hợp bốn hình ảnh đào tạo vào một hình ảnh lớn như trong Bất lợi thuật toán Yolov8 Hình 3, tất cả đều được ghép theo tỷ lệ ngẫu  YOLO mắc nhiều lỗi đáng kể và gặp khó nhiên, cắt ngẫu nhiên và sắp xếp ngẫu nhiên. khăn trong việc xác định các mục tiêu gần. Tiếp đến là phương pháp tăng cường dữ liệu Mixup kết hợp hai hình ảnh bằng cách đặt 4. KẾT QUẢ NGHIÊN CỨU các hệ số kết hợp trọng số, như trong Hình 4. Cả hai phương pháp tăng cường dữ liệu Kết quả đánh giá khả năng nhận dạng vết không chỉ làm phong phú tập dữ liệu mà còn nứt của mô hình đề xuất, từ những dữ liệu giảm nhu cầu về kích cỡ bộ nhớ lớn. đầu vào đã được định label thể hiện ở hình 6. Nhằm mục đích phục vụ huấn luyện dữ Ước lượng vị trí vết nứt và phát hiện mức độ liệu cho YOLOv8, các dữ liệu hình đã được được đề xuất trong nghiên cứu này là mức độ định label nhằm phục vụ điều tra vết nứt sẽ pixel và mức độ vết nứt thực tế cần phải được được lấy trên mạng dữ liệu công khai lấy theo độ phân giải. Hình 7 và 8 hiển thị kết roboflow với 755 bức hình cho việc huấn quả phát hiện của mô hình bằng cách sử dụng luyện nhận biết vết nứt và 1450 bức hình bộ phát hiện độ và vị trí vết nứt được đề xuất. phục vụ cho việc phân đoạn vết nứt. Hơn nữa, nó có thể khái quát hóa dữ liệu mới 204
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 với độ chính xác cao vì nó được triển khai 5. TIỀM NĂNG MÔ HÌNH trong một tập dữ liệu lớn chứa nhiều loại vết Có thể sử dụng để tìm ra các vết nứt tại nứt khác nhau. Do đó, hiệu suất vượt trội của các mặt đường sân bay, cầu,… bằng việc kết hệ thống được cho là nhờ độ chính xác và tốc hợp với xe hoặc flycam. Nếu phát triển xa độ được cải thiện của YOLOv8 so với các hơn kết hợp với các mô hình khác tạo ra mô phiên bản trước của YOLO và các hệ thống hình dò tìm các vết nứt sẽ được đo kích phát hiện vết nứt bề mặt học sâu khác. thước, đếm và đánh dấu tại các vị trí được xác định cụ thể. 6. KẾT LUẬN Những kết quả đạt được sau khi được huấn luyện của YOLOv8 đạt 93.7% mAP, 92.8% precision 89.6% recall cho công đoạn phát hiện vết nứt và 79.7% mAP cho phân đoạn vết nứt. Hình 6. Kết quả đánh giá 7. TÀI LIỆU THAM KHẢO mô hình huấn luyện [1] An improved fire detection approach based on YOLO-v8 for smart cities, 2023. [2] Crack Location and Degree Detection Method Based on YOLOX Model, 2022. [3] YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection, 2023. Hình 7. Phát hiện vết nứt Hình 8. Phân đoạn vết nứt 205

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2431 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.