Vorschau
| Autor(en): | Flotzinger, Johannes; Braml, Thomas |
| Titel: | |
| Kurzfassung: | Herrn Prof. Dr.-Ing. Manfred Keuser zur Vollendung seines 70. Lebensjahrs gewidmet Vor dem Hintergrund eines alternden Bauwerksbestands sowie des stetigen Anstiegs des Schwerverkehrs ist eine regelmäßige und qualitativ hochwertige Bauwerksprüfung unabdingbar. Bei der Bewältigung dieser Aufgabe birgt die Zuhilfenahme digitaler Methoden im Rahmen der digitalisierten Inspektion (DI) großes Verbesserungspotenzial in Hinblick auf Wirtschaftlichkeit und Qualität. Ein wesentlicher Bestandteil der DI ist das automatisierte Erkennen von Schäden mit Künstlichen Neuronalen Netzen. Im Rahmen des Forschungsprojekts “Modellbasierte digitale Bauwerksprüfung - MoBaP” werden an der Universität der Bundeswehr München Neuronale Netze für die Klassifizierung von Schäden an Massivbrücken trainiert. Auf dem derzeit größten Open-Source-Datensatz (CODEBRIM) dieser Domäne erzielt das im Folgenden dargestellte Netz eine Exact Match Ratio von 74 % und definiert damit das aktuell beste Modell zur Multi-Target-Klassifizierung. Um auch Neuronale Netze für die Objektdetektion und semantische Segmentierung dieser Domäne zu trainieren, wird ein eigener Datensatz erstellt. Dadurch wird neben dem Klassifizieren auch das Lokalisieren der Schäden auf Bildern ermöglicht. In diesem Aufsatz erörtern die Autoren das Vorgehen zum Trainieren Neuronaler Netze für die Klassifizierung von Schäden an Massivbrücken und eine detaillierte Analyse von Testergebnissen. Außerdem werden die Entwicklung und der aktuelle Stand eines eigenen Datensatzes vorgestellt. Automated Damage Classification on Concrete Bridges Using Convolutional Neural Networks Against the background of an ageing structure stock and the constant increase in heavy traffic, frequent structural inspections of high quality are indispensable. In accomplishing this task, the use of digital methods within the framework of digitized inspections (DIs) offers great potential for improvement in terms of cost-effectiveness and quality. An essential component of DIs is the automated detection of damage with Convolutional Neural Networks (CNNs). As part of the research project “Model-Based Digital Structural Inspection - MoBaP”, CNNs are being trained at the University of the Bundeswehr Munich for the classification of defects occurring on concrete bridges. On this domain's currently largest open-source dataset (CODEBRIM), the best CNN achieves an exact match ratio of 74 % and thus currently defines a strong baseline. In order to also train neural networks for object detection and semantic segmentation in this domain, a separate dataset is created. This enables not only the classification but also the localisation of damage on images. In this paper, the authors discuss the procedure of training neural networks for the classification of defects on concrete bridges and show a detailed analysis of test results. In addition, the development and current status of their own dataset is presented. |
| Erschienen in: | Beton- und Stahlbetonbau 117 (2022), Heft 10 |
| Seite/n: | 786-794 |
| Sprache der Veröffentlichung: | Deutsch |
Ich möchte den Artikel kaufen
Diesen Artikel können Sie für 25 € als PDF (0.96 MB) herunterladen. Das PDF kann gelesen, gedruckt und gespeichert werden. Eine Vervielfältigung und Weiterleitung an Dritte ist nicht gestattet. |
Ich bin Online-AbonnentAls Online-Abonnent der Zeitschrift "Beton- und Stahlbetonbau" können Sie diesen Artikel über Wiley Online Library aufrufen. |
Ich möchte "Beton- und Stahlbetonbau" abonnierenDieser Beitrag ist in der Zeitschrift "Beton- und Stahlbetonbau" erschienen. Sie möchten die Zeitschrift näher kennenlernen? Dann bestellen Sie doch ein kostenloses Probeheft der aktuellen Ausgabe oder informieren sich über Inhalt, Preise und alles Weitere auf unserer Website. |
Preise inkl. MwSt. und inkl. Versand. Preise für 2017/2018.
€ Preise gelten ausschließlich für Deutschland. Änderungen und Irrtum vorbehalten.
€ Preise gelten ausschließlich für Deutschland. Änderungen und Irrtum vorbehalten.