Συντάχθηκε 04-12-2023 12:17
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 06/12/2023 17:00
Λήξη: 06/12/2023 18:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Βασιλείου Κούτμου
με θέμα
Λήψη και Ανάλυση Εικόνων Προσόψεων Ιστορικών Κτιρίων για την Ανίχνευση Ρωγμών προκειμένου να Εκτιμηθεί ο Κίνδυνος Κατάρρευσής τους
Capturing and Analysis of Facade Images of Historical Buildings to Detect Defects in order to Assess their Damage Risk
Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Καθηγητής Γεώργιος Σταυρουλάκης (Σχολή ΜΠΔ)
Περίληψη
Τα ελαττώματα στις προσόψεις κατοικιών και ιστορικών κτιρίων επηρεάζουν τη δομική ακεραιότητα των κτιρίων και υποβαθμίζουν την εξωτερική εμφάνιση. Τα ελαττώματα στην πρόσοψη ενός κτιρίου αντιμετωπίζονται συνήθως με τη χρήση εργατικού δυναμικού κατά τη συντήρηση. Αυτή η προσέγγιση είναι χρονοβόρα, αποφέρει υποκειμενικά αποτελέσματα και μπορεί να οδηγήσει σε ατυχήματα ή ακόμη και θύματα. ‘Έτσι, είναι ιδανική η πρόληψη όλων των τύπων ελαττωμάτων στα στάδια του σχεδιασμού ή της κατασκευής, αλλά αυτός είναι ένας πολύ δύσκολος στόχος να επιτευχθεί. Επομένως, υπάρχει ανάγκη για μια μέθοδο για την αποτελεσματική παρακολούθηση των ελαττωμάτων στη φάση της συντήρησης και την ενεργή δράση στην εμφάνιση των ελαττωμάτων. Ως εκ τούτου, είναι απαραίτητο να αναπτυχθεί μια τεχνολογία που να μπορεί να παρακολουθεί συνεχώς και αυτόματα ελαττώματα σε κτίρια κατοικιών που ελαχιστοποιούν την εξάρτηση από τον ανθρώπινο παράγοντα. Επιπλέον, υπάρχουν διάφοροι τύποι ελαττωμάτων σε κτίρια κατοικιών και κάθε τύπος ελαττώματος στον πραγματικό κόσμο εμφανίζεται με ακανόνιστο μοτίβο.
Για να ληφθούν υπόψη τα χαρακτηριστικά αυτών των ελαττωμάτων, η αυτοματοποιημένη τεχνολογία παρακολούθησης ελαττωμάτων θα πρέπει να είναι σε θέση να εντοπίζει και να ταξινομεί αποτελεσματικά διάφορους τύπους ελαττωμάτων στα δεδομένα εικόνας. Για την αντιμετώπιση αυτής της πρότασης, έχουν εφαρμοστεί πολλές μέθοδοι, χρησιμοποιώντας διαφορετικούς τύπους μοντέλων βαθιάς εκμάθησης. Η παρούσα διατριβή δίνει έμφαση σε δύο διαφορετικές μεθοδολογίες, οι οποίες επεκτείνονται και συνδυάζονται, προκειμένου να διαχειριστούν αποτελεσματικότερα τα ελαττώματα, ελαχιστοποιώντας τη συμμετοχή του ανθρώπινου δυναμικού.
Το σύνολο δεδομένων που χρησιμοποιείται για την εκπαίδευση ενός δικτύου που βασίζεται σε βαθιά εκμάθηση περιέχει πραγματικές εικόνες πρόσοψης κατοικιών και ιστορικών κτιρίων. Ταχύτερες περιοχές με δομή συνελικτικού νευρωνικού δικτύου (Faster R-CNN) χρησιμοποιούνται για πιο ακριβή εντοπισμό ελαττωμάτων σε τέτοια περιβάλλοντα. Καθώς είναι δύσκολο να εντοπιστούν ελαττώματα σε ένα εκπαιδευτικό περιβάλλον για το νευρωνικό δίκτυο, είναι απαραίτητο να βελτιωθεί η απόδοση του δικτύου. Ωστόσο, το δίκτυο ανίχνευσης αντικειμένων που χρησιμοποιείται σε αυτή τη διατριβή αποδίδει εξαιρετική απόδοση σε σύνθετες εικόνες πραγματικού κόσμου, υποδεικνύοντας τη δυνατότητα ανάπτυξης ενός συστήματος που θα ανίχνευε μεγάλο αριθμό ελαττωμάτων σε περισσότερους τύπους προσόψεων κτιρίων.
Συνοψίζοντας, η παρούσα διπλωματική εργασία συνδυάζει δύο διακριτές μεθοδολογίες, και παρουσιάζει τα αποτελέσματα από την εφαρμογή σε πραγματικά ιστορικά κτίρια. Ο απώτερος σκοπός της εργασίας είναι να επεκτείνει τη χρήση μη παραδοσιακών μεθόδων σε ελαττώματα στις προσόψεις των ιστορικών κτιρίων, που εξαρτώνται λιγότερο από το ανθρώπινο δυναμικό. Στο τέλος της διατριβής, τα αποτελέσματα πρόκειται να αξιολογηθούν ως προς την ακρίβεια και την αποτελεσματικότητά τους, καταλήγοντας σε ορισμένες βασικές πτυχές ότι το πεδίο θα επωφεληθεί από τη μετάβαση σε ένα πιο αυτοματοποιημένο μοντέλο.
Abstract
The exterior appearance and structural stability of buildings are negatively impacted by defects in the façades of residential and historical structures. During maintenance, manual labor is usually used to address façade defects in buildings. This method takes a long time, produces arbitrary outcomes, and may end in mishaps or casualties. Ultimately, it is ideal to prevent all types of defects in the design or construction stages, but this is a very difficult goal to achieve. Thus, there is a need for a method to effectively monitor defects in the maintenance phase and actively respond to the occurrence of the defects. Therefore, it is necessary to develop a technology that can continually and automatically monitor defects in residential buildings that minimize the dependence on manpower. Furthermore, there are various types of defects in residential building, and each defect type in the real world appears in an irregular pattern. To consider the characteristics of these defects, automated defect monitoring technology should be able to simultaneously detect and effectively classify various types of defects in image data.
To address this proposal, plenty of methods have been implemented, utilizing different types of deep learning models. The current thesis emphasizes on two different methodologies, which are expanded upon and combined, in order to more efficiently manage defects by minimizing the involvement of manpower.
The dataset used for training a deep-learning-based network contains actual residential and historical building façade images. Faster regions with a convolutional neural network (Faster R-CNN) structure are employed for more accurate defect detection in such environments. As it is difficult to detect defects in a training environment, it is necessary to improve the performance of the network. However, the object detection network employed in this dissertation yields an excellent performance in complex real-world images, indicating the possibility of developing a system that would detect a great number of defects in more types of building façades.
Summarizing the contents of the present thesis, that combines two distinct methodologies, and presents the results from the implementation on real historical buildings. The ultimate purpose of the paper is to expand the use of non-traditional methods in defects in historical building’s façades, that depend less on manpower. In the end of the dissertation, the results are going to be evaluated in terms of their accuracy and their efficiency, concluding in some key aspects the field will benefit from the transition to a more automated model.
Meeting ID: 934 400 1013
Password: 123456
