Texnologiyalari va komunikatsiyalarini rivojlantirish vazirligi muxammad al-xorazmiy nomidagi toshkent

KREK ANIQLASHDA KOMPYUTER KO’RISHNI QO’LLANILISHI 
Beton infratuzilmani muntazam tekshirish va texnik xizmat ko'rsatish 
strukturaning yaxlitligini ta'minlash va atrofdagi infratuzilmaga zarar etkazishi, 
atrof-muhitning ifloslanishi va potentsial hayot yo'qotilishiga olib kelishi mumkin 
bo'lgan konstruktiv buzilishlarning oldini olish uchun amalga oshirilishi kerak. 
Odatda, muntazam vizual tekshirish strukturaning xizmat qilish muddati davomida 
atrof-muhit ta'siriga bog'liq bo'lgan turli xil nuqsonlarni aniqlash uchun o'tkaziladi 
(masalan, yoriqlar, materialning yo'qolishi, metall birikmalarning zanglashi va 
boshqalar). Vizual tekshirish kuzatilgan qayg'u sababini ijobiy aniqlashga olib 
keladigan ko'plab ma'lumotlarni taqdim etishi mumkin. Biroq, uning samaradorligi 

---

tergovchining bilimi va tajribasiga bog'liq va inson xatosiga moyil. Bundan 
tashqari, to'g'onlar, ko'priklar va baland binolar kabi yirik inshootlarni tekshirish 
juda xavfli va erishib bo'lmaydigan tomonlari tufayli qiyin bo'lishi mumkin. Ushbu 
maqola orqali biz tekshirish jarayonini avtomatlashtirish va nuqsonlarni (sirt 
yoriqlari) samarali aniqlash uchun sun'iy intellekt (AI) usullaridan foydalanishni 
ko'rsatamiz. Quyida tasvirlangan sirt yoriqlarini aniqlash yechimi UAVlar yoki yer 
osti roverlari kabi oʻrnatilgan platformalarda joylashtirish uchun moʻljallangan va 
beton yuzalardagi (masalan, yulka, devor va koʻpriklar) strukturaviy yoriqlarni 
aniqlash va tasniflash uchun chuqur oʻrganish algoritmlaridan foydalanadi. Qo'lda 
tekshirishga muqobil yondashuv - bu kompyuter ko'rish usullaridan (masalan, 
gradient chegarasi va chekka aniqlash) foydalanish orqali ishlaydigan avtomatik 
yoriqlarni aniqlash tizimidir. Bu tanlangan sirt turlari va xususiyatlari to'plamiga 
javob beradigan avtomatlashtirilgan tekshirish tizimlariga olib kelishi mumkin. Bu 
erda biz chuqur o'rganishga asoslangan yoriqlarni aniqlash tizimining potentsialini 
o'rganamiz, u bir nechta sirt va yoriq turlarida ishlatilishi mumkin. Konvolyutsion 
neyron tarmoqlari (CNN)5 chuqur oʻrganuvchi neyron tarmoqlar sinfi6 boʻlib, 
tasvirlarni tasniflash va segmentatsiyalash (piksel boʻyicha tasniflash) vazifalarida 
tez-tez foydalaniladi. Ular moslashuvchanligi bilan mashhur, ayniqsa neyron 
tarmoq topologiyasi ko'p qatlamlarga ega bo'lgan hollarda, bu ularga past 
darajadagi xususiyatlarni (masalan, chiziqlar, qirralar va burchaklar) va yuqori 
darajadagi xususiyatlarni (masalan, kavisli yuzalar va teksturalar). Yoriqlarni 
avtomatik aniqlashga bo'lgan yondashuvimiz ushbu toifaga tegishli topologiyadan 
foydalanadi - orqa qism xususiyatini ekstraktor sifatida ResNet-101 bilan Faster R-
CNN3 tasvirda aniqlangan har qanday yoriqni aniqlash va uning atrofida 
chegaralovchi qutini chizish imkonini beradi. Modelimizni o'rgatish uchun biz 
SDNET20182 (quyida 2.2-rasmga qarang) ma'lumotlar to'plamini o'qitish uchun 
70% va baholash uchun 30% ga tasodifiy bo'ldik.

---

3-rasm. Komputer ko’rish yordamida kreklarni aniqlsh. 
Mavjud ma'lumotlar to'plamining cheklangan hajmini qoplash uchun Faster 
R-CNN3 Resnet-101 modeli (koko ma'lumotlar to'plami4 - keng miqyosli ob'ektni 
aniqlash, segmentatsiyalash va sarlavhalar to'plamida oldindan o'rgatilgan) barcha 
qatlamlarda qayta o'qitildi. bizning ta'lim ma'lumotlar to'plamimiz. Model 
giperparametrlari o'rtacha o'rtacha aniqlikni (mAP) yaxshilash uchun yaxshi 
sozlandi va 15 000 takrorlashdan keyin 89,11% ga erishdi. Qo'lda tekshirishga 
muqobil yondashuv - bu kompyuterni ko'rish usullaridan (masalan, gradient 
chegarasi va chekkalarni aniqlash) foydalanish orqali ishlaydigan avtomatik 
yoriqlarni aniqlash tizimi. Bu tanlangan sirt turlari va xususiyatlariga javob 
beradigan avtomatlashtirilgan tekshirish tizimlariga olib kelishi mumkin.