سامانه جامع مسکن | از زمین تا زندگی
سکنانت؛ سامانه جامع مسکن
سامانه جامع مسکن

دوربین به‌جای بازدید چشمی؟ هوش مصنوعی تشخیص ترک ساختمان چه می‌کند؟

نویسنده: تحریریه سکنانت

ترک روی دیوار یا بتن همیشه یک معنا ندارد. بعضی ترک‌ها سطحی‌اند و بعضی ممکن است نشانه مسئله‌ای باشند که به ارزیابی تخصصی نیاز دارد. در کارگاه‌ها و ساختمان‌های بزرگ، ثبت و پیگیری تغییرات این نشانه‌ها زمان‌بر است. پژوهش منتشرشده در ۲۸ اکتبر ۲۰۲۶ در نشریه Journal of Engineering and Applied Science روش تازه‌ای برای شناسایی و اندازه‌گیری ویژگی‌های تصویری ترک با شبکه عصبی سبک معرفی کرده است. پرسش اصلی برای مهندسان ایرانی این نیست که آیا هوش مصنوعی می‌تواند یک خط در عکس پیدا کند، بلکه این است که خروجی آن تا چه اندازه قابل اعتماد و برای تصمیم نگهداری مفید است.

مهندس ساختمان در حال بررسی عکس ترک دیوار بتنی روی تبلت در کنار سازه در حال بازرسی

روش تازه چه چیزی را اندازه می‌گیرد؟

نویسندگان پژوهش، سامانه‌ای مبتنی بر شبکه‌های عصبی و ترکیب ویژگی‌های تصویری در مقیاس‌های مختلف پیشنهاد کرده‌اند. این روش برای پردازش تصویر، تشخیص محل ترک و برآورد برخی ویژگی‌های هندسی آن طراحی شده است. در آزمایش روی مجموعه‌داده‌های عمومی شامل تصاویر ترک بتن، شاخص AP@0.5 برابر ۸۴٫۳ درصد گزارش شده و پژوهشگران کاهش محاسبات مورد نیاز نسبت به یک مدل سبک مرجع را نیز بیان کرده‌اند. این رقم، دقت عمومی تشخیص همه ترک‌های ساختمان در هر شرایطی نیست؛ یک معیار مشخص در آزمایش منتشرشده است.

تفاوت محیط آزمایش و کارگاه واقعی بسیار مهم است. نور نامناسب، گردوغبار، لکه رطوبت، سایه کابل، بافت سنگ نما یا پوسته‌شدن رنگ ممکن است شبیه ترک دیده شوند. در مقابل ترک باریک زیر نور نامناسب ممکن است از دید الگوریتم پنهان بماند. بنابراین یک مدل باید روی تصاویر واقعی همان نوع سازه و شرایط محیطی ارزیابی شود و خطاهای مثبت و منفی آن به‌صورت جدا گزارش شوند.

تشخیص در عکس با تشخیص علت ترک تفاوت دارد

دوربین می‌تواند نشانه‌ای روی سطح را ثبت کند و الگوریتم محل تقریبی آن را مشخص کند، اما علت ترک به داده‌های بسیار بیشتری نیاز دارد: جنس ماده، زمان ایجاد، تغییر شکل سازه، شرایط بارگذاری، رطوبت، تغییرات دما و وضعیت پی. یک ترک کم‌عرض لزوماً کم‌خطر نیست و یک ترک پررنگ نیز الزاماً نشانه خطر فوری سازه‌ای نیست. هیچ مدل تصویری به‌تنهایی جایگزین بررسی مهندس دارای صلاحیت و آزمایش‌های لازم نمی‌شود.

در ارزیابی سازه موجود، عکس تنها یکی از ورودی‌هاست. ممکن است پایش دوره‌ای تغییر عرض یا مسیر ترک مفید باشد، اما حتی مشاهده ثابت بودن یک ترک در چند تصویر به معنی تأیید ایمنی کل ساختمان نیست. اعلام خطر یا توصیه به تخلیه باید مطابق نظر متخصصان و داده‌های کافی انجام شود. فناوری در اینجا نقش ابزار کمک‌تصمیم دارد، نه صادرکننده گواهی سلامت ساختمان.

چرا مدل سبک برای پروژه‌های ساختمانی مهم است؟

مدل‌های بزرگ ممکن است به سخت‌افزار پرهزینه و اتصال پایدار نیاز داشته باشند. اگر پردازش بخش مهمی از تصویر روی دستگاه قابل حمل انجام شود، امکان استفاده در بازدیدهای میدانی بیشتر می‌شود. کاهش مصرف محاسباتی می‌تواند ثبت داده در زمان نزدیک به واقعی را عملی‌تر کند. بااین‌حال مدل کوچک‌تر باید از نظر نرخ خطا و توان شناسایی ترک‌های حساس آزمون شود؛ سرعت به‌تنهایی مزیت کافی نیست.

برای یک شرکت نگهداری ساختمان، کاربرد اولیه می‌تواند استانداردکردن ثبت عکس‌ها باشد: تصویر از زاویه و فاصله مشخص، تاریخ و مکان دقیق، شرایط نور و نام کارشناس تهیه شود. سپس الگوریتم به شناسایی بخش‌هایی کمک کند که بازبینی دقیق‌تر لازم دارند. اگر داده تصویر به واحد یا ساختمان مشخصی نسبت داده می‌شود، مدیریت دسترسی، حفاظت از اطلاعات ساکنان و صحت برچسب‌گذاری نیز ضروری است.

از پایلوت آزمایشگاهی تا قرارداد خدمات

شرکت فناوری که می‌خواهد چنین محصولی را در ایران عرضه کند، بهتر است به‌جای ادعای «تشخیص قطعی خطر»، عملکرد خود را روی مجموعه‌ای از تصاویر واقعی نما، پارکینگ، دیوار داخلی و سازه بتنی آزمایش کند. تصاویر باید توسط متخصصان مستقل برچسب‌گذاری شوند و نتیجه مدل در مقایسه با داوری کارشناسی ارزیابی شود. لازم است مشخص شود نرم‌افزار چه نوع ترک‌هایی را برای چه شرایط نوری و چه نوع مصالحی پوشش می‌دهد.

همچنین خریدار باید بداند داده‌های ثبت‌شده کجا نگهداری می‌شوند، چه مدت قابل بازیابی‌اند و آیا تغییر نسخه الگوریتم، مقایسه تاریخی تصاویر را تحت تأثیر قرار می‌دهد. اگر بازدیدکننده هر بار با دوربین و زاویه متفاوت تصویربرداری کند، حتی تغییر ظاهری ترک ممکن است ناشی از شیوه ثبت باشد. برای پایش طولی، روش ثبت باید تا حد امکان ثابت و قابل تکرار باشد.

حساب اقتصادی و ریسک خطا

مزیت اقتصادی احتمالی سامانه، کاهش زمان غربالگری تصاویر و اولویت‌بندی بازدیدهای تخصصی است. اما محاسبه بازده باید هزینه تجهیزات، برچسب‌گذاری داده، آموزش پرسنل، نگهداری نرم‌افزار و بررسی دستی خروجی‌ها را نیز شامل شود. اگر مدل تعداد زیادی هشدار اشتباه ایجاد کند، ممکن است وقت کارشناسان را بیشتر بگیرد. اگر ترک مهمی را شناسایی نکند، هزینه خطا بسیار فراتر از صرفه‌جویی نیروی انسانی خواهد بود.

به همین دلیل پیمانکار نباید قرارداد خدمات را صرفاً بر مبنای تعداد تصاویر پردازش‌شده ببندد. شاخص‌هایی مانند نرخ کشف ترک در محدوده تعریف‌شده، نرخ هشدار کاذب، زمان بازبینی و قابلیت پیگیری تغییرات برای سنجش ارزش واقعی فناوری مناسب‌تر هستند. سطح مسئولیت انسانی و روش گزارش خطر باید در قرارداد روشن باشد.

جمع‌بندی؛ فناوری برای دیدن بهتر، نه قضاوت خودکار

پژوهش اکتبر ۲۰۲۶ نشان می‌دهد الگوریتم‌های تصویری برای شناسایی و کمی‌سازی نشانه‌های سطحی پیشرفت کرده‌اند. بااین‌حال فاصله میان آزمایش مجموعه‌داده عمومی و ارزیابی ایمنی یک ساختمان واقعی پابرجاست. فرصت عملی برای شرکت‌های ایرانی در ساخت سامانه ثبت، طبقه‌بندی و پایش مستند عیوب است؛ به شرط آنکه مدل با داده محلی اعتبارسنجی شود و تشخیص نهایی سازه‌ای در اختیار متخصص واجد صلاحیت بماند.

نقش مراکز علمی و انجمن‌های مهندسی در تدوین معیار ارزیابی نیز مهم است. اگر چند شرکت محصول خود را با شاخص‌ها و مجموعه‌داده‌های متفاوت معرفی کنند، خریدار امکان مقایسه منصفانه نخواهد داشت. تعریف آزمون مشترک، انتشار محدودیت‌های شناخته‌شده مدل و ثبت خطا در محیط واقعی به ایجاد اعتماد کمک می‌کند. همچنین مشخص‌بودن روش درخواست بازبینی انسانی برای موارد نامطمئن، بخشی از کیفیت محصول است. الگوریتمی که امکان بیان «اطمینان کافی ندارم» ندارد، برای کار حساس مهندسی به احتیاط بیشتری نیاز دارد.

اشتراک‌گذاری

نظرات کاربران

ثبت دیدگاه در نسخه آزمایشی فعال نیست.