التقسيم الدلالي لسحابة النقاط لعيوب السطح الخرساني باستخدام الرسم البياني الديناميكي CNN

خلاصة

يساعد الحصول على معلومات دقيقة عن مناطق البنى التحتية المعيبة في أداء إجراءات الإصلاح بكفاءة أكبر. في الآونة الأخيرة ، يتم استخدام ماسحات LiDAR لفحص عيوب السطح. علاوة على ذلك ، جذبت طرق التعلم الآلي انتباه الباحثين للتجزئة والتصنيف الدلالي بناءً على بيانات سحابة النقاط. على الرغم من أن الكثير من العمل قد تم في مجال رؤية الكمبيوتر استنادًا إلى الصور ، إلا أن البحث عن طرق التعلم الآلي للتجزئة الدلالية لسحابة النقاط لا يزال في مراحله المبكرة ، وتستند طرق التعلم العميق المتاحة حاليًا للتجزئة الدلالية لعيوب السطح الخرسانية حول تحويل الغيوم النقطية إلى صور أو فوكسل. تقترح هذه الورقة أسلوباً لكشف عيوب سطح الخرسانة (شقوق وتشققات IE) باستخدام نموذج الشبكة العصبية التلافيفية للرسم البياني الديناميكي (الرسم البياني الديناميكي CNN). يتم تطبيق الطريقة المقترحة على مجموعة بيانات سحابة نقطة من أربعة جسور خرسانية في مونتريال. تظهر النتائج التجريبية مدى فائدة ومتانة الطريقة المقترحة في الكشف عن عيوب الأسطح الخرسانية من بيانات سحابة النقاط ثلاثية الأبعاد. بناءً على تحليل الحساسية للنموذج باستخدام ثلاث حالات محددة بعدد مختلف من نقاط الإدخال ، تظهر أفضل نتائج الاختبار أن استدعاء الكشف عن الشقوق والكسور هو 55.20٪ و 89.77٪ على التوالي.