Bridge surface crack detection based on artificial intelligence techniques

Beton köprü yüzeylerinin çatlaklara karşı manuel olarak incelenmesi uzun zaman alır ve çok fazla malzeme ve emek israfına neden olur. Bu çalışma, geniş açık alanlarda insansız hava araçları (İHA'lar) ile beton köprü yüzeylerinin görsel olarak incelenmesi için hızlı ve otomatik bir makine öğrenme yöntemi sunarak bu sorunu incelemektedir. İHA'lar, beton köprü yüzeylerinin yüksek çözünürlüklü fotoğraflarını çekmek için kullanılır ve denetim alanının kapsamlı bir şekilde kapsanmasını sağlar. Güçlü YOLO (Yalnızca Bir Kez Bakarsınız) tekniğini kullanan, makine öğreniminin bir alt kümesi olan derin öğrenme teknolojisi, tek atışlı dedektörlere olanak tanır. Eğitim için çok doğru makine öğrenimi tekniklerinin kullanıldığı YOLO v8 modeli özel olarak kullanılmıştır. Bu model CSPDarknet-53 omurga yapısına sahip Evrişimli Sinir Ağlarını (CNN'ler) temel aldığından doğru ve güvenilir sonuçlar garanti edilir. Önerilen model, makine öğrenimi tabanlı gerçek zamanlı çatlak tespitinde olağanüstü performansa sahiptir. Derin Öğrenme modeli, %98,54 doğruluk oranıyla çatlak tespitinde dikkate değer bir hassasiyet ve doğruluk elde ediyor. Derin öğrenme modeli, %97'ye ulaşan bir hassasiyet ve geri çağırma dengesi ölçüsü olan F1 puanına göre hatalı pozitifleri sınırlandırırken çatlakları doğru bir şekilde tespit edebiliyor. Makine öğrenimi modelinin sağlamlığı ve doğruluğu, makine öğreniminde sıklıkla kullanılan ve %97,90 olarak hesaplanan bir istatistik olan ortalama ortalama hassasiyet (mAP) ile gösterilmektedir. Model aynı zamanda %83,11'lik mAP50-95 ile çeşitli Kavşaklarda Birlik (IoU) eşikleri üzerinden yüksek bir mAP elde ediyor. Geri çağırma oranı %94,66'ya ulaşarak gerçek çatlaklar için yüksek bir tespit oranı sağlarken, hassaslık oranı şaşırtıcı bir şekilde %99,41'i ölçerek yanlış alarmları en aza indirir. Ek olarak model, saniyede 95,24 kare (fps) gibi olağanüstü bir hızda çalışıyor; bu da, etkili gerçek zamanlı çatlak tespiti için makine öğrenimi yaklaşımlarının kullanılmasını mümkün kılıyor. Bu hız, hızlı karar almayı ve müdahale etmeyi mümkün kıldığından pratik uygulamalar için uygundur. Çalışmamız beton köprü yüzeylerindeki çatlakları anında tespit etmek için yeni ve etkili bir makine öğrenme yöntemi önermektedir. YOLO algoritması yardımıyla İHA'lardan görüntü toplama kullanılıyor. Anahtar Kelimeler: Çatlak tespiti, Makine öğrenimi, Derin Öğrenme, İnsansız Hava Araçları (İHA), Evrişimsel Sinir Ağları (CNN), YOLO v8