Наталья Викторовна Князева — доцент кафедры информационных систем, технологии и автоматизации строительства
129337, г. Москва, Ярославское шоссе, д. 26
Natal’ya V. Knyazeva — Associate Professor of the Department of Information Systems, Technology and Automation of Construction
26 Yaroslavskoe shosse, Moscow, 129337
Евгений Анатольевич Назойкин — доцент кафедры автоматизированных систем управления биотехнологическими процессами
125080, г. Москва, Волоколамское шоссе, д. 11
Evgenij A. Nazojkin — Associate Professor of the Department of Automated Control Systems for Biotechnological Processes
11 Volokolamskoe shosse, Moscow, 125080
Алексей Александрович Орехов — аспирант кафедры автоматизированных систем управления биотехнологическими процессами
125080, г. Москва, Волоколамское шоссе, д. 11
Aleksej A. Orekhov — postgraduate student of the Department of Automated Control Systems for Biotechnological Processes
11 Volokolamskoe shosse, Moscow, 125080
Введение. Рассматривается разработка подходов к построению системы автоматизированной оценки технического состояния строительных конструкций с использованием механизмов обнаружения дефектов и предварительной оценки физического износа зданий на основе методов искусственного интеллекта (ИИ). Современные строительные объекты характеризуются высокой сложностью и масштабом, что требует особого внимания к качеству и надежности конструкций. Традиционные методы проведения технического обслуживания не всегда показывают свою эффективность в связи с влиянием человеческого фактора. В настоящее время основным способом обнаружения дефектов остается визуальный осмотр, который хотя и позволяет оценить состояние объектов, зависит от уровня квалификации и внимательности оценщика. Это создает риски ошибки, что может угрожать безопасности зданий и приводить к неправильным решениям в области ремонта и технического обслуживания. Цель исследования — анализ необходимой функциональности и моделирование автоматизированной системы, способной оперативно и точно выявлять потенциальные дефекты в конструкциях зданий и оценивать вероятный физический износ.
Материалы и методы. Комплексный подход включает два основных компонента: систему анализа накопленных данных о физическом износе жилого фонда и механизм обнаружения дефектов на основе анализа изображений с помощью ИИ. Основные исходные данные для анализа — результаты фотофиксации состояния зданий, а также объем накопленных за продолжительный период наблюдений сведений о физическом износе жилого фонда.
Результаты. Подробно описаны библиотеки и инструменты, которые необходимы для реализации работы системы, включая популярные фреймворки для машинного обучения и обработки изображений.
Выводы. Современные подходы, основанные на применении ИИ и методов машинного обучения, открывают новые горизонты в сфере обнаружения дефектов и прогнозирования технического состояния зданий. Они позволяют значительно увеличить скорость и точность анализа.
Introduction. The paper is devoted to the development of approaches to the construction of an automated assessment system for the technical condition of building structures using defect detection mechanisms and preliminary assessment of the physical deterioration of buildings based on artificial intelligence methods. Modern construction objects are characterized by high complexity and scale, which requires special attention to the quality and reliability of structures. Traditional methods of technical maintenance do not always show their effectiveness due to the influence of human factors. Currently, the primary method of defects detention remains visual inspection, which, although it allows to assess the condition of objects, depends on the level of qualification and attentiveness of the evaluator. This creates risks of error, which can threaten the safety of buildings and lead to incorrect decisions regarding repairs and maintenance. The aim of the research is to analyze the required functionality and modelling of an automated system capable of quickly and accurately identifying potential defects in building structures and assessing likely physical deterioration.
Materials and methods. The comprehensive approach includes two main components: a system for analyzing accumulated data on the physical deterioration of residential properties and a defect detection mechanism based on image analysis using artificial intelligence. The main input data for analysis are the results of photographic documentation of the building condition, as well as the volume of accumulated observations and data on the physical deterioration of the housing stock over a long period of observation.
Results. The libraries and tools necessary for the implementation of this system are described in detail, including popular frameworks for machine learning and image processing.
Conclusions. Modern approaches based on the application of artificial intelligence and machine learning methods open new horizons in the detection of defects and forecasting the technical condition of buildings. They significantly increase the speed and accuracy of analysis.
The authors declare that there are no conflicts of interest present.