การตรวจสอบรอยร้าวบนพื้นผิวคอนกรีตด้วยการเรียนรู้เชิงลึกด้วยสถาปัตยกรรม VGG16

บทคัดย่อ

          หนึ่งในปัญหาของโครงสร้างคอนกรีตมีสาเหตุมาจาก การผุกร่อน, สนิมในเหล็กเสริม , การทรุดตัว,การพังทลายและอื่นๆ การตรวจสอบโครงสร้างนั้นจึงมีความสำคัญ มีวัตถุประสงค์ในการพัฒนาระบบการตรวจสอบด้วยระบบอัตโนมัติ โดยงานวิจัยนี้เสนอการนำแบบจำลองโครงข่ายประสาทเทียมที่ได้รับการฝึกมาแล้ว (Pre-trained convolutional neural network model) มาประยุกต์ในการใช้หารอยร้าวด้วยเทคนิคการถ่ายทอดความรู้ (Transfer learning) ซึ่งมีด้วยกัน 2 วิธีคือ วิธีการดึงคุณสมบัติ (Feature extraction) และวิธีการปรับละเอียด (Fine-tuning) โดยจะเป็นการนำแบบจำลองที่ได้รับการฝึกแล้วคือ VGG16 มาทำการสร้างแบบจำลองใหม่เพื่อใช้สำหรับการตรวจสอบรอยร้าวบนภาพคาน และเปรียบเทียบกับวิธี STRUM (Spatially tuned robust multi feature) ซึ่งเป็นวิธีในการสร้างเวกเตอร์คุณสมบัติ (Feature vector) ในการนำคุณสมบัติพื้นฐาน (Feature-based) ของภาพมาใช้ร่วมกับเครื่องมือในจำแนก (Classifiers) โดยได้นำ AdaBoost classifier มาใช้ในการจำแนกจากคุณสมบัติพื้นฐานของภาพ

          จากการศึกษาพบว่าความถูกต้องของแบบจำลอง Convolutional neural network คือแบบจำลอง VGG16 วิธีการ Fine-tuning จะได้ความถูกต้องของการทดสอบมากสุดที่ 95.76% และสำหรับแบบจำลอง VGG16 วิธีการ Feature extraction ได้ความถูกต้องที่ 84.56% ส่วนวิธี STRUM เมื่อวิเคราะห์เวกเตอร์คุณสมบัติและจําแนกด้วยการใช้ AdaBoost classifier จะได้ความถูกต้องของการทดสอบคือ 71.85 %