Gegenüberstellung der automatischen Risssegmentierung mit Hilfe eines convolutionalen neuronalen Netzwerkes an unterschiedlichen Oberflächenmaterialien auf Basis von Open-Source-Datensets

Abstract

Künstliche Intelligenz findet im Bauwesen immer mehr Anwendung. Insbesondere die Bauwerksinspektion, die in regelmäßigen Intervallen Brücken, Straßenzustand und weitere Infrastrukturbauten kontrolliert und bewertet, bietet viele Möglichkeiten für eine weitreichende Optimierung. Visuelle Kontrollen sind ein wichtiger Bestandteil zur Bewertung des statischen Zustands eines Bauwerkes und zudem ein zeit- und ressourcenaufwendiger Prozess. Das Ziel der vorliegenden Arbeit liegt darin, die automatische Segmentierung auf ausgewählten Oberflächenmaterialien, basierend auf Open-Source-Datensätzen, gegenüberzustellen und zu bewerten. Darüber hinaus wird auch ermittelt, inwiefern die gewählte Netzwerkarchitektur die Ergebnisse der einzelnen Materialien beeinflusst. Hierzu wird folgende Forschungsfrage aufgestellt: Inwiefern beeinflusst das Oberflächenmaterial die Ergebnisse der Risssegmentierung und wie können die Resultate im Allgemeinen verbessert werden anhand Open-Source Datenbanken?Auf Grundlage der theoretischen Aufarbeitung wurden Voruntersuchungen durchgeführt, die die Basis der optimalen Netzwerk-Architektur für diese Arbeit bilden. Aufbauend auf den Erkenntnissen wurde ein angepasstes convolutionales neuronales Netzwerk (CNN) mit einer Architektur, die einem U-NET nachempfunden ist, erstellt, welche das Rückgrat der weiteren Untersuchung bildet. Es wurden teils angepasste Datensätze angelegt, welche drei-kanälige RGB-Bilder enthalten, die die unterschiedlichen Materialien abbilden und Risse aller Art, Form und Dicke abbilden. Diese Sammlungen stützen sich auf öffentlich zugänglichen Projektdatenbanken. Die verwendete Methode zeigt, dass Materialien, die viele Schattierungen und bild-basierte-Störungen enthalten, beispielsweise Holz, zu einer Minderung der Wahrscheinlichkeit der Korrektheit führen. Materialien, die einen kleinen Farbraum in einem RGB-Histogramm in Anspruch nehmen, beispielsweise Beton, erzielen bereits bei einer kleinen Datenmenge und wenig Trainingsdurchläufen eine hohe Wahrscheinlichkeit der Richtigkeit. Ein einheitliches System ist für die Segmentierung von Rissen sinnvoll. Daher ist eine Netzwerkarchitektur zu wählen, die auf eine hohe RGB-Streuung optimiert wurde. Zukünftige Forschungen über die Segmentierung von Holzrissen sind zu empfehlen, um die Ergebnisse für dieses Material zu verbessern.

Artificial intelligence is finding increasing application in the construction industry. In particular, structural inspection, which checks and evaluates bridges, road conditions and other infrastructure structures at regular intervals, offering many opportunities for far-reaching optimization. Visual inspections are an important part of evaluating the structural condition of a structure and are also a time and resource consuming process.The objective of this work is to contrast and evaluate automatic segmentation on selected surface materials based on open-source datasets. In addition, the extent to which the chosen network architecture affects the results of chosen surface materials (asphalt, concrete, masonry, wood) is also evaluated. Following research question is posed: Based on open-source-datasets, to what extent does the surface material influence the image segmentation results, and how can the results in general be improves? Based on the theoretical chapters, preliminary investigations were conducted, which form the basis of the optimal network architecture for this work. Based on the findings, an adapted convolutional neural network (CNN) with an architecture mimicking a U-NET was created, which forms the backbone of further investigation. Partially adapted datasets for each surface material were created containing three-channel RGB images representing the different materials and depicting cracks of all types, shapes, and thicknesses. These collections are based on publicly available project databases. The method used shows that materials containing many shades and image-based disturbances, for example wood, lead to a decrease in the probability of correctness. Materials that occupy a small color space in an RGB histogram, for example concrete, achieve a high probability of correctness even with a small amount of data and few training epochs. A uniform system is useful for the segmentation of cracks. Therefore, a network architecture optimized for high RGB dispersion should be chosen. Future research on wood crack segmentation is recommended to improve the results for this material.