یک سیستم نوین و رهبردار موجود نهادی توسط پژوهشگران دانشگاه درکسل در پنسیلوانیا توسعه یافته است، که قول میدهد راهی انقلابی برای بررسی خرابیها در سازهها و ساختمانها فراهم آورد. با هدف جلوگیری از خرابیها، این سیستم نوآورانه از فناوریهای بینایی ماشین و یادگیری ماشین برای شناسایی و ارزیابی مناطق مشکلدار استفاده میکند.
وضعیت فعلی زیرساختها یک نگرانی روزافزون محسوب میشود، زیرا سازهها سریعتر از توانایی تعمیر و نگهداری خود فروپاشی میکنند. فروپاشیها و خرابیهای اخیر نشان داده است که لازم است یک راهکار جدید و کارآمد برای شناسایی نشانههای خرابی و جلوگیری از وقوع حوادث ناگوار ارائه شود. روشهای سنتی بررسی زمانبر هستند و قادر به پوشش ندادن هر ترکی جزیی است، این موضوع باعث میشود تشخیص نشانههای خطرناک خرابی در بین سایر نشانههای عادی فرسودگی مشکل باشد.
سیستم چند مقیاس جدید از تکنولوژی بینایی ماشین و یک الگوریتم یادگیری عمیق برای شناسایی مناطق مشکلدار استفاده میکند. سپس سریی از اسکن های لیزری را جهت ایجاد مدل دوگانه دیجیتالی هدایت میکند که میتواند برای ارزیابی و پایش دقت داشته باشد. این فرایند بررسی را ساده میکند و باعث کاهش قابل توجهی در بارکاری میشود که امکان نگهداری و تعمیرات هدفمند را میدهد.
با توجه به اینکه سیستم فقط به اندازهگیریهای فیزیکی اکتفا نمیکند، از تغذیه با کامپیوتر با عمق استریو با کیفیت بالا و یک شبکه عصبی تغییر یافته برای شناسایی الگوهای شکست مانند ترکها استفاده میکند. این فناوری پیشرفته قادر است حتی ریزترین الگوها و اختلافات را در مجموعههای بزرگی از داده کشف کند. پس از شناسایی منطقه مورد نظر، بازوی رباتیکی با یک اسکنر خطی لیزری منطقه را اسکن میکند و مدلی سه بعدی جامع از منطقه خراب ایجاد میکند. علاوه بر این، یک دوربین لیدار سازه اطراف را اسکن میکند و اطلاعات مفید دیگری را ارائه میکند.
مزیتهای این سیستم جدید به خرابی اولیه ختم نمیشود. مدل دوگانه دیجیتال، امکان پیگیری رشد ترک را فراهم میکند و صاحبان پل را قادر میسازد بهترین درک از وضعیت زیرساخت خود را داشته باشند. این امر باعث میشود تا بتوانند به شکل کارآمد و برنامهریزیشده کارهای نگهداری و تعمیر را انجام دهند و باعث حفظ طولانی مدت سازه خود شوند.
با اینکه بازرسان انسانی همچنان در فرآیند تصمیمگیری نقشی دارند، معرفی انسانهای رباتیکی همراه با هوش مصنوعی میتواند بهشدت بارکاری آنها را کاهش داده و احتمال تردید یا خطا در ارزیابی به صورت غیرمتعادل را کاهش دهد. با اتوماسیون فرآیند بازرسی، جمعآوری داده میتواند محدود شود به مناطقی که نیاز به توجه دارند که این موضوع باعث افزایش کارایی و دقت کلی میشود.
پژوهشگران قصد دارند این سیستم را به یک چارچوب نظارت خودکار بزرگتری که شامل پهپادها و سایر وسایل اتوماتیک است ، ادغام کنند. این رویکرد جامع هدف ایجاد یک سیستم هوشمند و کارآمد تر برای حفظ سازه در نوعی زیرساخت متفاوت است.
بررسی در دنیای واقعی و همکاری با صنعت و سازمانهای راهبردی برای کاربردهای عملی و بهبود مداوم این فناوری بسیار اساسی خواهد بود. این سیستم رباتیکی هوش مصنوعی سیگنالی ارایه میدهد که قابلیت انقلابی برای نگهداری و تعمیرات پیشگیرانه زیرساختهای فرسوده را نشان میدهد.
بخش پرسش و پاسخ:
1. سیستم رباتیکی هوش مصنوعی توسط پژوهشگران دانشگاه درکسل چیست؟
– سیستم رباتیکی هوش مصنوعی یک فناوری نوآورانه است که با یکپارچهسازی بینایی ماشین و یادگیری ماشین، سازهها و ساختمانها را برای آسیبها بررسی و ارزیابی میکند.
2. این سیستم چگونه مناطق مشکلدار را شناسایی میکند؟
– سیستم از بینایی ماشین و یک الگوریتم یادگیری عمیق استفاده میکند تا الگوهای شکست مانند ترکها و اختلافات را در دادههای جمعآوری شده از دوربینهای استریودیپ عمق با کیفیت بالا و دوربینهای لیدار شناسایی کند.
3. مزیت استفاده از این سیستم نسبت به روشهای سنتی بررسی چیست؟
– سیستم فرایند بررسی را سادهتر و دقیقتر میکند. این قادر است مناطق مشکلداری که با چشم بدون کمک یا روشهای سنتی سخت قابل تشخیص هستند را شناسایی کند.
4. این سیستم چگونه مدل دوگانه دیجیتالی از منطقه خراب ایجاد میکند؟
– پس از شناسایی منطقه مورد نظر، یک بازوی رباتیکی منطقه را با یک اسکنر خطی لیزری اسکن میکند و مدل سه بعدی جامعی از منطقه خراب ایجاد میکند.
5. مزیتهای مدل دوگانه دیجیتالی چیست؟
– مدل دوگانه دیجیتالی امکان پیگیری رشد ترک را فراهم میکند و صاحبان پل را قادر میسازد بهبود بهتری از شرایط زیرساخت خود داشته باشند. این به آنها امکان برنامهریزی کارآمد برای نگهداری و تعمیر را میدهد.
6. چگونه این سیستم بارکاری بازرسان انسانی را کاهش میدهد؟
– با اتوماسیون فرآیند بررسی، سیستم جمعآوری دادهها را محدود میکند به مناطقی که نیاز به توجه دارند. این باعث کاهش بارکاری بازرسان انسان
The source of the article is from the blog scimag.news