Drexel Universityn tutkijat Pennsylvanian osavaltiossa ovat kehittäneet uraauurtavan tekoälyä ohjatun robotiikkajärjestelmän, joka lupaa mullistaa rakenteiden ja rakennusten vaurioiden tarkastuksen. Tämä innovatiivinen järjestelmä yhdistää tietokoneen näkö- ja koneoppimisteknologiat tunnistaakseen ja arvioidakseen mahdollisia ongelmakohtia.
Infrastruktuurin nykytila herättää huolta, sillä rakenteet rapistuvat nopeammin kuin niitä ehditään ylläpitää. Viimeaikaiset romahtamiset ja vauriot ovat korostaneet tarvetta tehokkaammalle ja vaikuttavammalle tapalle tunnistaa vaurioiden merkkejä ja ehkäistä katastrofaalisia tapahtumia. Perinteiset tarkastusmenetelmät ovat aikaa vieviä eivätkä pysty kattamaan jokaista halkeamaa, mikä vaikeuttaa vaarallisten vaurioiden tunnistamista normaalin kulumisen keskellä.
Uusi moniasteinen järjestelmä hyödyntää tietokonenäköä ja syvällisen oppimisalgoritmin tunnistaakseen ongelmakohtia. Se ohjaa sitten sarjan laserskannauksia luodakseen digitaalisen kaksoiskappaleen, jota voidaan käyttää vaurioiden tarkkaan arviointiin ja seurantaan. Tarkastusprosessin virtaviivaistamisen ansiosta työmäärä voidaan merkittävästi vähentää, mikä mahdollistaa kohdennetun ylläpidon ja korjaustoimenpiteiden toteuttamisen.
Sen sijaan, että luotettaisiin pelkästään fyysisiin mittauksiin, järjestelmä käyttää korkean resoluution stereosyvyyskameravirtaa ja konvoluutioverkkoa tunnistaakseen halkeamaa muistuttavia kuvioita. Tämä kehittynyt teknologia pystyy havaitsemaan jopa hienoimmat kuvio- ja poikkeamispiirteet suurista tietomääristä. Kun kiinnostuksen kohdealue on tunnistettu, robottikäsivarren avulla skannataan aluetta lasersäde-skannerilla, luoden kattavan kolmiulotteisen kuvan vaurioituneesta alueesta. Lisäksi LIDAR-kamera skannaa ympäröivän rakenteen, tarjoten lisätietoja.
Tämän uuden järjestelmän edut ulottuvat alkuperäisen tarkastuksen yli. Digitaalisen kaksoiskappalemallin avulla halkeamien kasvua voidaan seurata, mikä antaa siltojen omistajille paremman käsityksen infrastruktuurinsa tilasta. Tämä mahdollistaa tehokkaan suunnittelun ylläpidon ja korjaustoimenpiteiden varmistamiseksi ja varmistaen rakennuksen tai sillan pitkäaikaisen rakenteellisen eheyden.
Vaikka ihmisetarkastajat edelleen osallistuvat päätöksentekoon, tekoälyä ohjattujen robottiavustajien käyttö voi merkittävästi vähentää heidän työmääräänsä ja vähentää laiminlyöntiriskiä tai subjektiivista tuomioiden virhettä. Tarkastusprosessin automatisoinnin ansiosta tiedonkeruu voidaan rajoittaa alueisiin, jotka vaativat huomiota, mikä parantaa kokonaisuudessaan tehokkuutta ja tarkkuutta.
Tutkijat visioivat tämän järjestelmän integroimista suurempaan autonomiseen seurantakehykseen, johon kuuluvat dronet ja muut autonomiset ajoneuvot. Tämä kattava lähestymistapa tähtää älykkäämpään ja tehokkaampaan järjestelmään rakenteellisen eheyden ylläpitämiseksi erilaisissa infrastruktuurityypeissä.
Käytännön sovelluksen ja jatkuvan kehityksen kannalta todellisen maailman testaus ja yhteistyö teollisuuden ja sääntelyviranomaisten kanssa ovat olennaisia. Mahdollisuutena vallankumoukselliseen rakenteelliseen tarkastukseen tämä tekoälyä ohjaava robotiikkajärjestelmä merkitsee uutta aikakautta ennakoivaan ylläpitoon ja korjaustoimenpiteisiin ikääntyvälle infralle.
UKK-osio:
1. Mikä on Drexel Universityn tutkijoiden kehittämä tekoälyä ohjaava robotiikkajärjestelmä?
– Tekoälyä ohjaava robotiikkajärjestelmä on uraauurtava teknologia, joka yhdistää tietokonenäön ja koneoppimisen rakenteiden ja rakennusten vaurioiden tarkastamiseksi ja arvioimiseksi.
2. Miten järjestelmä tunnistaa mahdolliset ongelmakohdat?
– Järjestelmä käyttää tietokonenäköä ja syvällisen oppimisalgoritmin tunnistamaan halkeamaa muistuttavia kuvioita ja poikkeamia korkean resoluution stereosyvyyskameroista ja LIDAR-kameroista kerätyistä tiedoista.
3. Mikä on tämän järjestelmän etu perinteisiin tarkastusmenetelmiin verrattuna?
– Järjestelmä virtaviivaistaa tarkastusprosessia, mikä tekee siitä tehokkaamman ja tarkemman. Se pystyy tunnistamaan ongelmakohtia, jotka voivat olla vaikeita havaita paljaalla silmällä tai perinteisin menetelmin.
4. Miten järjestelmä luo digitaalisen kaksoiskappaleen vaurioituneesta alueesta?
– Kiinnostuksen kohteen alueen tunnistamisen jälkeen robottikäsivarsi skannaa alueen lasersäde-skannerilla, luoden kolmiulotteisen kuvan vaurioituneesta alueesta.
5. Mitkä ovat digitaalisen kaksoiskappalemallin edut?
– Digitaalisen kaksoiskappalemallin avulla halkeamien kasvua voidaan seurata, mikä antaa sillan omistajille paremman käsityksen infrastruktuurin tilasta. Tämä mahdollistaa ylläpidon ja korjaustoimenpiteiden tehokkaan suunnittelun.
6. Kuinka tämä järjestelmä vähentää ihmistarkastajien työmäärää?
– Tarkastusprosessin automatisoinnin ansiosta järjestelmä rajoittaa tiedonkeruuta alueisiin, jotka vaativat huomiota. Tämä vähentää ihmistarkastajien työmäärää ja vähentää laiminlyöntiriskiä tai subjektiivista tuomioiden virhettä.
7. Minkälainen on tämän järjestelmän tulevaisuuden näkymä?
– Tutkijat tavoittelevat tämän järjestelmän integroimista laajempaan autonomiseen seurantakehykseen, johon kuuluvat dronet ja muut autonomiset ajoneuvot. Tämä kattava lähestymistapa tähtää älykkäämpään ja tehokkaampaan järjestelmään rakenteellisen eheyden ylläpitämiseksi.
Keskeiset termit ja määritelmät:
– Tietokonenäkö: Tietokonenäkö on tekoälyn haara, joka keskittyy mahdollistamaan tietokoneille korkean tason ymmärryksen digitaalisista kuvista tai videoista.
– Koneoppiminen: Koneoppiminen on tekoälyn osa-alue, jossa käytetään algoritmeja ja tilastollisia malleja tietokoneiden oppimiseen ja ennustamiseen päätöksiin ilman nimenomaista ohjelmointia.
– Syväoppiminen: Syväoppiminen on koneoppimisen osa-alue, jossa käytetään monikerroksisia neuroverkkoja oppimaan ja eristämään monimutkaisia kuvioita ja representaatioita tiedosta.
Ehdotetut linkit:
– Drexel University
– Tekoälyn yleiskatsaus
– Computer Society Digital Library
The source of the article is from the blog papodemusica.com