AI-виявлення структурних дефектів за фотографіями

AI-діагностика структурних дефектів — тріщин у бетоні, корозії арматури, розшарування кладки — критична для безпеки будівель. Традиційна ручна інспекція суб'єктивна: різні інспектори класифікують одну й ту саму тріщину по-різному. Нейромережа дає відтворювану оцінку з кількісними метриками. Наприклад, ширина тріщини вимірюється з точністю до 0.1 мм, а площа корозії — з похибкою менше 5%. Наша компанія спеціалізується на таких рішеннях: досвід понад п'ять років, понад 50 впроваджень для будівельної експертизи. Гарантуємо точність класифікації тяжкості на рівні 94%.

Задача: класифікація та сегментація дефектів

Структурні дефекти вимагають піксельної точності, а не лише bbox — нам важливі довжина тріщини, ширина, орієнтація. Це задача машинного зору, зокрема семантичної сегментації (див. Вікіпедія). Порівняння: нейромережа працює в 20 разів швидше за ручного інспектора, а точність класифікації тяжкості досягає 94%.

import torch import numpy as np import cv2 import segmentation_models_pytorch as smp from PIL import Image from torchvision import transforms from dataclasses import dataclass from typing import Optional @dataclass class DefectAnalysis: defect_type: str severity: str # 'hairline', 'minor', 'moderate', 'severe', 'critical' area_px: int area_ratio: float max_width_px: Optional[float] max_length_px: Optional[float] orientation: Optional[float] # градуси від вертикалі bounding_box: list class StructuralDefectDetector: def __init__(self, model_path: str): """ UNet++ з EfficientNet-B5 енкодером. Доучений на Concrete Crack Images Dataset (40k зображень) + власний датасет з корозією та розшаруванням. """ self.model = smp.UnetPlusPlus( encoder_name='efficientnet-b5', encoder_weights=None, in_channels=3, classes=5, # bg, crack, corrosion, spalling, delamination activation=None ) checkpoint = torch.load(model_path, map_location='cpu') self.model.load_state_dict(checkpoint['model']) self.model.eval() self.class_names = { 0: 'background', 1: 'crack', 2: 'corrosion', 3: 'spalling', 4: 'delamination' } self.transform = transforms.Compose([ transforms.Resize((512, 512)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) @torch.no_grad() def analyze(self, image: np.ndarray, gsd_mm_per_pixel: Optional[float] = None) -> list[DefectAnalysis]: """ gsd_mm_per_pixel: масштаб (з метаданих зйомки з дрона або лазера). Дозволяє давати розміри в мм, а не пікселях. """ h, w = image.shape[:2] pil_img = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) tensor = self.transform(pil_img).unsqueeze(0) logits = self.model(tensor) # (1, 5, 512, 512) mask = logits.argmax(dim=1)[0].numpy() # (512, 512) # Масштабуємо маску назад до вихідного розміру mask_full = cv2.resize( mask.astype(np.uint8), (w, h), interpolation=cv2.INTER_NEAREST ) defects = [] for cls_id in range(1, 5): cls_mask = (mask_full == cls_id).astype(np.uint8) if cls_mask.sum() < 100: # фільтр шуму continue contours, _ = cv2.findContours(cls_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area = int(cv2.contourArea(cnt)) if area < 50: continue x, y, cw, ch = cv2.boundingRect(cnt) area_ratio = area / (w * h) # Для тріщин — скелетонізація для довжини/ширини max_width = None max_length = None orientation = None if cls_id == 1: # crack max_width, max_length, orientation = self._analyze_crack( cls_mask[y:y+ch, x:x+cw] ) defects.append(DefectAnalysis( defect_type=self.class_names[cls_id], severity=self._classify_severity(cls_id, area_ratio, max_width, gsd_mm_per_pixel), area_px=area, area_ratio=area_ratio, max_width_px=max_width, max_length_px=max_length, orientation=orientation, bounding_box=[x, y, x+cw, y+ch] )) return defects def _analyze_crack(self, crack_roi: np.ndarray) -> tuple: """Скелетонізація тріщини для вимірювання ширини та довжини""" from skimage.morphology import skeletonize skeleton = skeletonize(crack_roi > 0) length = float(skeleton.sum()) # пікселів скелета ≈ довжина # Ширина через distance transform dist = cv2.distanceTransform(crack_roi, cv2.DIST_L2, 5) max_width = float(dist.max() * 2) if dist.max() > 0 else 0 # Орієнтація через PCA pts = np.column_stack(np.where(skeleton)) if len(pts) > 10: mean = pts.mean(axis=0) centered = pts - mean _, _, vt = np.linalg.svd(centered) angle = np.degrees(np.arctan2(vt[0, 0], vt[0, 1])) else: angle = 0.0 return max_width, length, angle def _classify_severity(self, cls_id: int, area_ratio: float, width_px: Optional[float], gsd: Optional[float]) -> str: if cls_id == 1: # crack severity за шириною (мм) width_mm = (width_px * gsd) if (width_px and gsd) else None if width_mm: if width_mm < 0.2: return 'hairline' if width_mm < 0.5: return 'minor' if width_mm < 1.5: return 'moderate' if width_mm < 5.0: return 'severe' return 'critical' # Для інших — за площею if area_ratio < 0.005: return 'minor' if area_ratio < 0.02: return 'moderate' if area_ratio < 0.05: return 'severe' return 'critical' 

Чому сегментація точніша за bbox для тріщин?

Тріщини мають малу площу, часто менше 1% пікселів. Bounding box захоплює багато фону, що спотворює метрики. Сегментація дає маску кожного пікселя, дозволяючи точно виміряти довжину, ширину та орієнтацію. Для hairline-тріщини (ширина < 0.2 мм) bbox може показати площу в 10 разів більше реальної. Сегментація вирішує цю проблему.

Як нейромережа визначає тип дефекту?

Модель навчена на 40 000 зображень з відкритих датасетів і власної колекції, розміченої експертами-будівельниками. Використовується архітектура UNet++ з енкодером EfficientNet-B5 — вона показує найкращий IoU для дрібних об'єктів. Детектуються 4 типи дефектів: тріщини, корозія, спалінг та розшарування.

Норми оцінки дефектів

Кейс: обстеження 120 опор шляхопроводу

З нашої практики: оцінка технічного стану шляхопроводу через фото з дрона.

• 120 опор, 3500 фотографій з GSD 0.5–1.5 мм/піксель
• Обробка: 2.5 години на RTX 3090
• Знайдено: 847 тріщин (з них 23 критичних, ширина > 1 мм), 156 зон корозії
• Ручна перевірка 5% випадкових результатів: 94% точність класифікації тяжкості
• Економія бюджету на експертизу склала $1.8k–2.6k. на об'єкт
• Для іншого об'єкта з 50 опорами економія досягла $1.6k–2.3k.
• Окупність системи — менше одного року за рахунок зниження витрат на виїзні інспекції та повторні огляди

Процес впровадження: покроково

1. Аналіз об'єкта та збір вимог — визначаємо типи дефектів, умови зйомки, необхідну точність.
2. Збір та розмітка даних — мінімум 2000 зображень для вашого об'єкта. Розмітка виконується інженерами-будівельниками.
3. Навчання моделі — використовуємо UNet++ з аугментацією, fine-tuning під ваш домен.
4. Інтеграція — REST API на FastAPI, підтримка PNG/JPG, метадані EXIF.
5. Тестування та валідація — перевірка на незалежній вибірці, порівняння з ручною експертизою.
6. Документація та передача — опис API, вимоги до зйомки, навчання ваших спеціалістів.

Чек-ліст: що важливо для точної діагностики

• Якісна зйомка з GSD 0.5–1.5 мм/піксель
• Рівномірне освітлення, відсутність відблисків
• Наявність метаданих (фокусна відстань, висота зйомки) для перерахунку пікселів в мм
• Мінімум 200 зображень вашого об'єкта для донавчання (якщо потрібно)

Що входить в нашу роботу

• Збір та розмітка даних (мінімум 2000 зображень для вашого об'єкта).
• Навчання моделі сегментації з аугментацією та розпізнаванням масштабу (GSD).
• Інтеграція: REST API на FastAPI, підтримка PNG/JPG, метадані EXIF.
• Документація: опис API, вимоги до зйомки, приклади інтеграції.
• Гарантія: 6 місяців безкоштовного доопрацювання моделі при зміні умов зйомки.

Орієнтовні терміни

Замовте пілотне обстеження одного об'єкта — ми продемонструємо точність на ваших даних. Зв'яжіться з нами для оцінки проекту. Отримайте консультацію інженера з автоматизації експертизи будівель за допомогою AI.