محققان یک سیستم مبتنی بر هوش مصنوعی را برای بازرسی رباتیک ساختمان‌ها، جاده‌ها و پل‌ها پیشنهاد می‌کنند
محیط ساخته شده ما سریعتر از آن چیزی که بتوانیم آن را حفظ کنیم در حال پیر شدن و زوال است. به گفته کارشناسان، فروریختن ساختمان‌ها و آسیب‌های ساختاری اخیر به جاده‌ها و پل‌ها نشان‌دهنده مشکلی است که احتمالاً بدتر می‌شود، زیرا بررسی هر ترک، ترک و فروریختگی برای تجزیه و تحلیل علائم خطرناک آسیب ناشی از سایش و پارگی عادی به سادگی امکان‌پذیر نیست. محققان کالج مهندسی دانشگاه درکسل، به امید اینکه بتوانند از پس کار برآیند، در تلاش هستند تا ابزارهایی را در اختیار دستیاران روباتیک قرار دهند تا به بازرسان در انجام کارهایشان کمک کنند.
با تقویت فناوری‌های بازرسی بصری – که راه‌حل‌های جزئی برای تسریع ارزیابی آسیب در سال‌های اخیر ارائه کرده‌اند – با رویکرد یادگیری ماشینی جدید، محققان سیستمی را ایجاد کرده‌اند که می‌گویند می‌تواند شناسایی و بازرسی کارآمد مناطق مشکل‌دار توسط روبات‌های مستقل را امکان‌پذیر کند. در گزارش گزارش شده است اتوماسیون در ساخت و سازسیستم چند مقیاسی آنها بینایی کامپیوتری را با یک الگوریتم یادگیری عمیق ترکیب می‌کند تا نواحی مشکل ترک خوردگی را مشخص کند، قبل از هدایت یک سری اسکن لیزری از مناطق برای ایجاد یک مدل کامپیوتری “دوقلو دیجیتال” که می‌تواند برای ارزیابی و نظارت بر آسیب استفاده شود.
این سیستم یک استراتژی را نشان می دهد که به طور قابل توجهی بار کار بازرسی کلی را کاهش می دهد و امکان بررسی و مراقبت هدفمند لازم برای جلوگیری از آسیب ساختاری را فراهم می کند.
نویسندگان، آروین ابراهیم‌خانلو، MD، استادیار، و علی قدیم زاده علمداری، دانشیار پژوهشی، هر دو در دانشکده فنی Drexel نوشتند: «ترک‌ها را می‌توان به عنوان علائم پزشکی بیمار در نظر گرفت که باید در مراحل اولیه بررسی شوند. بنابراین، تشخیص زودهنگام و دقیق ترک و اندازه گیری برای تشخیص به موقع، تعمیر و نگهداری و تعمیر، جلوگیری از خرابی بیشتر و کاهش خطرات احتمالی ضروری است.
اما در حال حاضر، آنها خاطرنشان می کنند، بسیاری از ساختمان ها، پل ها، تونل ها و سدهای کشور از جمله مجروحان پیاده روی هستند که اولویت اول باید ایجاد یک سیستم تریاژ باشد. قبل از قانون زیرساخت‌های دو حزبی، انجمن مهندسین عمران آمریکا 786 میلیارد دلار تعمیرات جاده‌ها و پل‌ها را برآورد کرده بود. به این چالش، کمبود روزافزون کارگران زیرساخت ماهر – از جمله بازرسان و کسانی که سازه‌های قدیمی را تعمیر می‌کنند، اضافه می‌شود.
ابراهیم‌خانلو گفت: زیرساخت‌های عمرانی شامل سازه‌ها و پل‌ها در مقیاس بزرگ است، اما نقص‌های آنها اغلب در مقیاس کوچک است. ما معتقدیم که استفاده از یک رویکرد رباتیک چند مقیاسی، غربالگری کارآمد از قبل از نواحی مشکل را با استفاده از بینایی کامپیوتر و اسکن رباتیک دقیق عیوب با استفاده از اسکن لیزری غیر مخرب امکان پذیر می کند.
به جای اندازه‌گیری فیزیکی که به صورت ذهنی توسط چشم انسان تفسیر می‌شود، این سیستم از تغذیه دوربین با وضوح بالا از ساختار در یک برنامه یادگیری عمیق به نام شبکه عصبی کانولوشنال استفاده می‌کند. این برنامه‌ها که در تشخیص چهره، توسعه دارو، و تشخیص تقلبی عمیق استفاده می‌شوند، به دلیل توانایی‌شان در تشخیص ظریف‌ترین الگوها و ناسازگاری‌ها در حجم وسیعی از داده‌ها، توجه را به خود جلب می‌کنند.
آموزش الگوریتم ها بر روی مجموعه داده های تصویری سازه های بتنی آنها را به آشکارسازهای ترک تبدیل می کند.
«شبکه عصبی بر روی مجموعه داده‌ای از ترک‌های نمونه آموزش داده شد و توانست الگوهای ترک مانند را در تصاویری که سیستم روباتیک از سطح یک سازه بتنی جمع‌آوری می‌کند، شناسایی کند. ما مناطق حاوی چنین الگوهایی را مناطق مورد علاقه می نامیم.”
هنگامی که “منطقه مورد علاقه” – ناحیه ترک خورده یا آسیب دیده – شناسایی شد، برنامه یک بازوی رباتیک را هدایت می کند تا با یک اسکنر لیزری روی آن اسکن کند که تصویری سه بعدی از ناحیه آسیب دیده ایجاد می کند. در همان زمان، یک دوربین LiDAR (تشخیص نور و محدوده) ساختار اطراف شکاف را اسکن می کند. پیوند این دو نمودار با هم یک مدل دیجیتالی از منطقه ایجاد می کند که عرض و ابعاد ترک را نشان می دهد و امکان ردیابی تغییرات بین بازرسی ها را فراهم می کند.
علمداری گفت: ردیابی رشد ترک یکی از مزیت های تولید مدل دیجیتال دوقلو است. همچنین به مالکان پل اجازه می دهد تا وضعیت پل خود را بهتر درک کنند و برای نگهداری و تعمیرات برنامه ریزی کنند.
این تیم این سیستم را در آزمایشگاه روی یک دال بتنی با ترک‌ها و خرابی‌های مختلف آزمایش کردند. در آزمایش توانایی خود در تشخیص و اندازه‌گیری ترک‌های کوچک، این سیستم به اندازه‌ای حساس بود که کوچک‌ترین شکاف‌ها را شناسایی و اندازه‌گیری دقیقی داشت – عرض کمتر از یک صدم میلی‌متر – با اختلاف قابل‌توجهی از بهترین دوربین‌ها، اسکنرها و حسگرهای نوری بهتر عمل کرد.
به گفته محققان، اگرچه بازرسان انسانی هنوز تصمیم نهایی را در مورد زمان و نحوه ترمیم آسیب می‌گیرند، اما دستیاران رباتیک می‌توانند به میزان قابل توجهی حجم کار خود را کاهش دهند. بعلاوه، یک فرآیند بازرسی خودکار، حذفیات و خطاهای قضاوت ذهنی را که می تواند در ابتدا رخ دهد، کاهش می دهد.
آنها نوشتند: «این رویکرد جمع‌آوری داده‌های غیرضروری را از مناطقی که در شرایط ساختاری خوبی هستند تا حد زیادی کاهش می‌دهد، در حالی که داده‌های جامع و قابل اعتماد مورد نیاز برای ارزیابی شرایط را فراهم می‌کند.
محققان تصور می کنند که سیستم نظارت چند مقیاسی را به عنوان بخشی از یک چارچوب نظارت مستقل بزرگتر شامل پهپادها و سایر وسایل نقلیه خودمختار – مانند آنچه توسط آزمایشگاه ارزیابی غیرمخرب اداره بزرگراه فدرال پیشنهاد شده است، که از طیف وسیعی از ابزارها و فن آوری های حسگر برای خودران استفاده می کند، بکار ببرند. نظارت و تعمیر زیرساخت
علمداری گفت: “در حرکت رو به جلو، هدف ما ادغام این کار با یک وسیله نقلیه زمینی بدون سرنشین، بهبود توانایی سیستم برای شناسایی، تجزیه و تحلیل و نظارت مستقل ترک ها است.” «هدف ایجاد یک سیستم جامع‌تر، هوشمندتر و کارآمدتر برای حفظ یکپارچگی ساختاری در انواع زیرساخت‌ها است. علاوه بر این، آزمایش در دنیای واقعی و همکاری با صنعت و مقامات نظارتی برای کاربرد عملی و بهبود مستمر فناوری حیاتی خواهد بود. “
