Xác định vị trí vết nứt bề mặt bê tông dựa trên mô hình YOLOv8

Trong nghiên cứu này, một thuật toán xây dựng trên nền tảng YOLOv8 nhằm phát hiện và đánh giá các mức độ khác nhau của vết nứt trong ảnh được đề xuất. Các khiếm khuyết trong hình ảnh được dán nhãn theo độ rộng của vết nứt, tạo nên một bộ dữ liệu hình ảnh mới với các mức độ vết nứt khác nhau.
Nội dung trích xuất từ tài liệu:
Xác định vị trí vết nứt bề mặt bê tông dựa trên mô hình YOLOv8 Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 XÁC ĐỊNH VỊ TRÍ VẾT NỨT BỀ MẶT BÊ TÔNG DỰA TRÊN MÔ HÌNH YOLOV8 Ngô Phi Vũ1, Trang Duy Hải2, Khánh Phạm1, Nguyễn Anh Dũng2 1 Trường Đại học Quốc tế, Đại học Quốc gia TP. HCM, email: ngophivu01@gmail.com 2 Trường Đại học Thủy lợi1. GIỚI THIỆU CHUNG Thuật toán này có thể phát hiện vết nứt với các mức độ khác nhau một cách tự động và Tại Việt Nam, tốc độ đô thị hóa diễn ra nhanh chóng. Hình 1 diễn tả lưu đồ củamạnh mẽ kéo theo sự phát triển vượt bậc hạtầng giao thông và công trình xây dựng có phương pháp, được chia thành bốn phầnquy mô lớn. Yếu tố thời tiết và thiên tai đặc chính: (1) xây dựng bộ dữ liệu, thu thập dữtrưng là vấn đề thách thức về khả năng làm liệu bằng hệ thống thu thập hình ảnh và gắnviệc theo thời gian của các công trình dân nhãn các hình ảnh vết nứt này để đào tạo; (2)dụng, cơ sở hạ tầng. Do đó, việc đánh giá và đào tạo máy học, là quá trình tìm kiếm cácxem xét để phục vụ cho bảo dưỡng và bảo trì siêu tham số tối ưu của mô hình; (3) phátbê tông là rất cần thiết. Trong những năm gần hiện vị trí và mức độ vết nứt, đưa ra dự đoánđây, ứng dụng xử lý ảnh trong phát hiện vết mô hình; và (4) đánh giá thiệt hại vết nứtnứt là một hướng đi phù hợp để giải quyết thực tế, giúp chuyển đổi mức độ vết nứt ởcác vấn đề nêu trên và kỹ thuật này được ứng cấp độ pixel thành tỷ lệ thực tế. Nguyên tắcdụng ngày càng phổ biến trong quản lý cơ sở phát hiện và sự biến đổi của các mức độ thiệthạ tầng công trình dân dụng. Bên cạnh những hại được giải thích trong các phần dưới đây.thành tựu đáng kể, những nghiên cứu trướcđây vẫn tồn tại số vấn đề như phụ thuộc vàocác đặc điểm của hình ảnh và nhiễu (ánhsáng, bóng tối, vết nhòe, v.v…), không có lợicho việc truy xuất các đặc tính của vết nứt. Trong nghiên cứu này, một thuật toán xâydựng trên nền tảng YOLOv8 nhằm phát hiệnvà đánh giá các mức độ khác nhau của vếtnứt trong ảnh được đề xuất. Các khiếmkhuyết trong hình ảnh được dán nhãn theo độrộng của vết nứt, tạo nên một bộ dữ liệu hìnhảnh mới với các mức độ vết nứt khác nhau. Hình 1. Tổng quan về vị trí vết nứtSử dụng các mô hình học sâu YOLOv8, vết và thuật toán dò tìm (F.Kang and J.Li)nứt không chỉ có thể được trích xuất và địnhvị chính xác mà còn được đánh giá tự động. 2.1. Nguyên tắc phát hiện của YOLOv82. PHƯƠNG PHÁP NGHIÊN CỨU Máy dò vị trí vết nứt được đề xuất trong nghiên cứu này dựa trên mô hình YOLOv8. Để đánh giá nhanh vị trí và mức độ vết Không giống như cách tiếp cận hai giai đoạnnứt, bài báo này đề xuất một bộ phát hiện vị (chẳng hạn như Faster R-CNN), thuật toántrí và mức độ vết nứt dựa trên YOLOv8. YOLO biến vấn đề phát hiện thành vấn đề 203Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8hồi quy, trong đó có thể thu được các hộpgiới hạn (bounding box) và độ tin cậy của cácđối tượng ngay lập tức. Bằng cách thay đổichiều rộng và chiều sâu của mạng trục, bốnphiên bản của mô hình YOLOv8 đã thuđược, đó là YOLOv8n, YOLOv8s, YOLOv8m,YOLOv8l, YOLOv8x. Hình 2 mô tả kiến trúccủa YOLOv8. Hình 3. Tăng cường dữ liệu khảm Hình 4. Tăng cường dữ liệu hỗn hợp 3. ƯU ĐIỂM CỦA YOLOV8  API thân thiện với người dùng.  Yolo xử lí hình ảnh và không chiếm quá nhiều dung lượng bộ nhớ.  Hỗ trợ phát hiện, phân đoạn và phân loạiHình 2. Kiến trúc của YOLOv8 (RangeKing) hình ảnh.  Mạng lưới đường trục mới. 2.2. Dữ liệu đầu vào  Sở hữu mạng xương sống, hàm mất mát YOLOv8 áp dụng phương pháp tăng dữ mới.liệu Mosaic và Mixup. Phương pháp tăng  Có thể sử dụng với GPU và CPU.cường dữ liệu bằng việc kết hợp bốn hìnhảnh đào tạo vào một hình ảnh lớn như trong Bất lợi thuật toán Yolov8Hình 3, tất cả đều được ghép theo tỷ lệ ngẫu  YOLO mắc nhiều lỗi đáng kể và gặp khónhiên, cắt ngẫu nhiên và sắp xếp ngẫu nhiên. khăn trong việc xác định các mục tiêu gần.Tiếp đến là phương pháp tăng cường dữ liệu ...