• Título: Comparison Study Of Machine Learning Algorithms For Automated Crack Detection In Reinforced Concrete Images. An Alternative For Routine Bridge Inspection Techniques = Estudio comparativo de algoritmos de aprendizaje automático para la detección de grietas en imágenes de concreto reforzado. Una alternativa para las técnicas de inspección rutinaria de puentes
• Autor: Lozano Serna, Sara Camila
• Publicación original: 2020
• Descripción física: PDF
• Nota general:
  • Colombia
• Notas de reproducción original: Digitalización realizada por la Biblioteca Virtual del Banco de la República (Colombia)
• Notas:
  • Resumen: Abstract: Infrastructure plays an essential role in the economy and has a positive impact on social stability. In this regard, bridges are a fundamental component of infrastructure; however, most of the bridges currently under operation were constructed a long time ago and have even passed their useful life. Certainly, Flaig & Lark (2000) noted that most of the current bridges in the UK were built between 1,950 and 1,970. Furthermore, Steve Kroft (2014) indicated that almost 70,000 bridges (one out of every nine bridges) in America are structurally deficient. Consequently, it is necessary to develop fast and efficient inspection techniques that meet current requirements, and that could potentially replace the highly- subjective visual observation methods. This research presents a critical comparison among different Machine-Learning algorithms that are currently used in image classification problems and applied them into the automated recognition of cracks in reinforced concrete images so that they can be used as an alternative for the existing inspection methods. Moreover, ensembles with different combinations of the evaluated models were tested as an incentive to improve the performance of individual models. In total, four algorithms that based their operation in mathematical formulations and 10 different architectures of Convolutional Neural Networks were included. The results showed that the Random Forest classifier outperformed the other mathematical classifiers and performed similarly to the best of the neural networks. In addition, it was found that the ensembled models achieved little or no improvement concerning the best of the classifiers included in the stack. Resumen: La infraestructura desempeña un papel esencial en la economía de los países y tiene un efecto positivo en la estabilidad social de las personas. A este respecto, los puentes son un componente fundamental de la infraestructura; sin embargo, la mayoría de los puentes actualmente en funcionamiento se construyeron hace mucho tiempo e incluso han pasado su vida útil. Ciertamente, Flaig y Lark (2000) observaron que la mayoría de los puentes actuales del Reino Unido se construyeron entre 1.950 y 1.970. Además, Steve Kroft (2014) indicó que casi 70.000 puentes (uno de cada nueve puentes) en USA son estructuralmente deficientes. Por consiguiente, es necesario desarrollar técnicas de inspección rápidas y eficientes que cumplan los requisitos actuales y que puedan sustituir a los métodos de inspección visual altamente subjetivos. Esta investigación presenta una comparación crítica entre los diferentes algoritmos de aprendizaje a máquina que se utilizan actualmente en los problemas de clasificación de imágenes y los aplica al reconocimiento automatizado de grietas en las imágenes de concreto reforzado para que puedan utilizarse como alternativa a los métodos de inspección existentes. Además, se ensayaron conjuntos con diferentes combinaciones de los algoritmos de aprendizaje evaluados como incentivo para mejorar el rendimiento de los modelos individuales. En total, se incluyeron cuatro algoritmos que basaban su funcionamiento en formulaciones matemáticas y 10 arquitecturas diferentes de Redes Neuronales Convolucionales. Los resultados mostraron que el clasificador Random Forest superó a los otros clasificadores matemáticos y tuvo un rendimiento similar a la mejor de las redes neuronales. Además, se encontró que los modelos ensamblados lograron poca o ninguna mejora en lo que respecta al mejor de los clasificadores incluidos en el conjunto.
  • © Derechos reservados del autor
  • Colfuturo
• Forma/género: tesis
• Idioma: castellano
• Institución origen: Biblioteca Virtual del Banco de la República
• Encabezamiento de materia:
  • Artificial Intelligence; Bridges; Cracks; Machine Learning; Reinforced Concrete; Visual Inspection; Inteligencia artificial; Puentes; Grietas; Aprendizaje automático; Concreto reforzado; Inspección visual
  • Tecnología; Tecnología / Ingeniería y operaciones afines

Web semántica