人工智慧可辨識鋼筋混凝土結構表面裂痕以評估受損程度
近期美國多處結構崩塌事件，如佛羅裏達州的 Surfside、匹茲堡和紐約市，突顯了對美國老舊建築和基礎設施進行更頻繁和完整檢查的需求。但是現行檢查程式耗時且不一致，嚴重依賴檢查者的判斷力。 德雷謝爾大學和紐約州立大學布法羅分校的研究人員致力於使用人工智慧結合網路的經典數學方法來確保混凝土結構的受損情況，僅基於其裂痕圖案。透過基於圖論的方法，這項技術可以幫助美國更好地理解其數十萬個老舊橋樑、防洪堤、道路和建築物中，有多少亟需維修。
現有檢查程式問題
現行混凝土結構檢查程式包括檢查員對其進行視覺檢查以檢查裂縫、剝落或漏水，測量裂縫的大小，並注意裂縫是否在檢查之間發生變化-這可能是幾年之間的檢查。如果有足夠的這些情況存在且看起來處於先進階段-根據損壞下標準中的一套指南-那麼該結構可能被評為“不安全”。除了每次檢查程式耗時外，人們普遍關心的是，該程式留下了太多主觀判斷的空間，有可能影響最終評估。
透過深度學習技術，德雷謝爾大學和紐約州立大學布法羅分校的研究人員，成功運用畫素跟蹤算法來轉換裂縫影象成可數學表示的圖形，幫助檢查員更快速地進行損壞評估。
基於圖論的快速損壞評估工具
研究小組採用了一種數學方法，稱為圖論，可用於測量和研究網路，例如最近的社交網路等，透過定位其圖形特徵 （例如平均交叉縫線次數）。
為了建立一種確保裂紋程度的準確方法，主要由 Arvin Ebrahimkhanlou 博士及其團隊，透過將其圖形特徵與已知安全評級的結構比較，建立每組裂縫的數位指紋，以裂縫的圖形特徵來實現對被檢查結構的快速與準確的損壞評估。
團隊使用人工智慧進行畫素跟蹤算法，將裂紋的影象轉換為其對應的數學表示：圖形。他們使用機器學習程式從一組具有不同高度與長度比的鋼筋混凝土剪力墻結構的圖片中提取圖形特徵，以測試墻壁可能發生的不同行為，並形成比較框架。團隊專注於顯示中度破裂的影象組，進一步訓練另一個算法，將提取的圖形特徵與顯示於結構上已知損壞量的直觀等級相聯動。例如，裂縫交叉點越多-這對應著它們的圖形特徵的更高“平均度數”-結構受損越嚴重。該程式對每個功能對其進行加權，具體取決於其與損壞的機械指標的相關程度，以產生量化概要檔案，對其進行測量、評估結構受損的程度。
結論與建議
每當發生結構失敗的慘劇時，都會提醒我們建築物和道路的安全問題再次浮現。此項研究顯示開發確保混凝土結構受損的方法與工具是一項重要工作，可保護公眾利益。團隊的創新就是將轉換成數學表示的裂縫影象建立僅限於結構損壞量的結構指紋。在團隊的系統中，使用的第一種指標是圖中的平均度數，表示其在圖內有多少條邊相交，這反映出裂痕的束聚程度和網狀程度，更嚴重的裂痕顯然會與更高的度數值相對應。由此，採用人工智慧技術來辨識鋼筋混凝土結構的表面裂痕，將有助於快速判別其受損程度，並可以提供更快速和更準確的損壞評估。此外建議採用完整的損壞評估流程，定期地使用人工和自動化的手段對結構進行評估，以幫助確保老化基礎設施及時維修，確保人民的安全。
延伸閱讀
- 加州新 AI 法案出爐，SB 1047 作者再推出改革措施！
- 《超級瑪利歐成為 AI 基準測試的新標準！你絕對想不到的理由》
- Google 推出 SpeciesNet：專為識別野生動物而設的人工智慧模型！
- 安瑟普提克獲得 35 億美元巨額資金 瞄準人工智慧未來！
- OpenAI 重磅推出 GPT-4.5：歷史上最大的語言模型來了！
- 探索 DeepSeek：你必須理解的 AI 聊天機器人應用全指南！
- OpenAI 的創業帝國：揭密其風投基金背後的諸多創新公司
- 揭開 Mistral AI 的神祕面紗：揭示 OpenAI 競爭者的所有祕密！
- 未來科技：研究人員揭示如何打造變形機器人，猶如 T-1000 般神奇！
- ElevenLabs 推出全新語音轉文字模型，引領 AI 語音技術的新潮流！
