机器学习与热成像应用于建筑裂缝检测与分类
计算机视觉与模式识别
2023-01-02 v1 机器学习
摘要
由于建筑业造成的环境影响，改造既有建筑并提升其能效已成为高度优先事项。然而，土地开发商的一个合理关切与建筑的保存状态有关。因此，红外热成像已被用作通过检测裂缝和潮湿等病害来表征这些建筑保存状态的强有力工具。热像仪检测任何材料发出的辐射并将其转换为温度色彩编码图像。异常温度变化可能指示病害的存在，但解读热图像可能并不简单。本研究项目旨在结合红外热成像与机器学习（ML），通过更高效、准确地识别既有建筑的病害与缺陷，帮助利益相关方确定 reuse 既有建筑的可行性。在研究项目的这一特定阶段，我们使用卷积神经网络（DCNN）的图像分类机器学习模型来区分某特定建筑中三种程度的裂缝。比较了来自两台不同热像仪的 MSX 与热图像以及融合图像（通过多源信息形成）的模型准确率，以测试输入数据与网络对检测结果的影响。
引用
@article{arxiv.2212.14730,
title = {Machine Learning and Thermography Applied to the Detection and Classification of Cracks in Building},
author = {Angela Busheska and Nara Almeida and Nicholas Sabella and Eudes de A. Rocha},
journal= {arXiv preprint arXiv:2212.14730},
year = {2023}
}