CC BY
0УДК 004
Корзников М.А.
студент 4 курса Северный (Арктический) федеральный университет (г. Архангельск, Россия)
РАЗРАБОТКА СИСТЕМЫ ОПРЕДЕЛЕНИЯ ВИДА АРЕНДОВАННОГО СТРОИТЕЛЬНОГО ОБОРУДОВАНИЯ И ОЦЕНКИ ЕГО СОСТОЯНИЯ
Аннотация: в данной статье предлагается использовать алгоритмы машинного обучения, основанные на нейронных сетях, для автоматизации процессов классификации, учета и оценки состояния арендуемого строительного оборудования.
Ключевые слова: машинное обучение, нейронные сети, строительное оборудование, оценка состояния.
В современном мире аренда строительного оборудования пользуется большим спросом для людей, которые хотят самостоятельно выполнять малые строительные работы. Поскольку существующие методы ручной инвентаризации, учета и оценки состояние арендуемого оборудования имеют ряд существенных недостатков. Они требуют значительных затрат времени и труда специалистов, что приводит к увеличению расходов и снижению качества обслуживания клиентов. В связи с этим, мы предлагаем внедрить алгоритмы машинного обучения, основанные на нейронных сетях, для автоматизации процессов классификации, учета и оценки состояния арендуемого строительного оборудования.
При наличии у организации большого склада инструментов, система определения типа и состояния инструментов по фото поможет эффективно управлять запасами и быстро находить нужные инструменты. Для классификации строительного оборудования по его визуальным
характеристикам, таким как тип, состояние и производитель, используются глубокие нейронные сети.
Сверточные нейронные сети отлично подходят для решения нашей проблемы. Они необходимы для самостоятельного извлечения сложных элементов из изображений [3]. Это позволяет разработанной нами системе с большой точностью и эффективностью классифицировать инструменты [1].
Проведя целевой опрос ряда организаций, занимающихся сдачей инструментов в аренду, было выявлено несколько ключевых проблем, которые могут быть решены или оптимизированы с помощью нашей системы инвентаризации, учета и оценки состояния арендуемого оборудования. Эти проблемы включают:
Неэффективное управление запасами на складе: Организации часто сталкиваются с трудностями в отслеживании и управлении арендуемым оборудованием, что приводит к недостаточному контролю над его состоянием и доступностью.
Затраты на персонал: Выполнение этой работы вручную требует много времени и сил, что увеличивает общие расходы.
Ошибки при проверке состояния оборудования: Без автоматической системы оценки состояния, сотрудники могут ошибаться при определении степени повреждения или износа инструментов.
Сложности в идентификации моделей и дефектов: Отсутствие автоматической системы, идентификация моделей и дефектов может стать причиной огромных временных затрат в работе организации.
Наша система решает эти проблемы, используя методы компьютерного зрения для сканирования и анализа состояния арендуемого оборудования. Благодаря этому мы упрощаем процесс инвентаризации и учета, а также значительно сокращаем драгоценное время, необходимое для проверки оборудования, а также экономим на дорогостоящем ремонте инструмента при своевременном обнаружении дефекта.
Ключевым преимуществом нашей системы является то, что она внедрена в мобильное приложение, что делает ее доступной для использования на месте. Это позволяет работникам склада сканировать инструменты с помощью своего смартфонов и мгновенно получать информацию о состоянии оборудования, включая наличие дефектов и модель. Такой подход упрощает процесс работы, а также повышает эффективность и точность оценки состояния оборудования.
Одним из главных составляющих данной разработки является создание алгоритмов для обнаружения и сегментации дефектов на фотографиях. Для этого была выбрана архитектура YOLOv8 (You Only Look Once), которая выделяется среди остальных своей высокой скоростью обработки данных и обнаружению объектов, своей точностью в выделении контуров зданий [4]. Таким образом, данная архитектура сильно выделяется по итоговым показателям во время обучения, чем и был обусловлен ее выбор.
Для решения задачи классификации серий зданий была выбрана архитектура ResNet (Residual Neural Network). ResNet - глубокая нейронная сеть, которая способна обеспечить высокую точность именно для классификации тех или иных объектов. Также она обладает возможностью обработки большого объема данных, что очень важно, учитывая такую емкую в информационном плане сферу, как строительство. Кроме того, данная модель легка в обучении благодаря использованию остаточных блоков.
Подводя итоги, применение глубокого обучения в сфере строительства является успешным решением для задач выявления и сегментации дефектов, а также для классификации серий зданий [5]. Данный проект при реальном внедрении принесет значимый эффект в ускорении процесса принятия решений о необходимости капитального ремонта и в сокращении необходимых для этого ресурсов.
СПИСОК ЛИТЕРАТУРЫ:
1. Половинкин Алексей Николаевич Алгоритмы классификации изображений с большим числом категорий объектов // Вестник ННГУ. 2013. .№41. URL: https://cyberleninka.ru/article/n/algoritmy-klassifikatsii-izobrazheniy-s-bolshim-chislom-kategoriy-obektov (дата обращения: 7.03.2024);
2. Unet [Электронный ресурс] / Режим доступа: https://w.kaggle.com/code/akshitsharma1/unet-architecture-explained-in-one-shot-tutorial, свободный (дата обращения 7.03.2024). - Загл. с экрана;
3. Ревякин Андрей Михайлович, Скурнович Алексей Валентинович Подходы к разработке системы распознавания для решения задачи определения контента цифровых изображений // Вестник евразийской науки. 2016. №4 (35). URL: https://cyberleninka.ru/article/n7podhody-k-razrabotke-sistemy-raspoznavaniya-dlya-resheniya-zadachi-opredeleniya-kontenta-tsifrovyh-izobrazheniy (дата обращения: 14.03.2024);
4. Цапаев А.П., Кретинин О.В. Методы сегментации изображений в задачах обнаружения дефектов поверхности // Компьютерная оптика. - 2012. - № 3 (36). - С. 448-452. URL: https://cyberleninka.ru/article/n/metody-segmentatsii-izobrazheniy-v-zadachah-obnaruzheniya-defektov-poverhnosti;
5. Лукашик Д.В. АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ // Экономика и качество систем связи. 2022. №2 (24). URL: https://cyberleninka.ru/article/n/analiz-sovremennyh-metodov-segmentatsii-izobrazheniy (дата обращения: 10.03.2024).
Korznikov M.A.
Northern (Arctic) Federal University (Arkhangelsk, Russia)
DEVELOPMENT OF SYSTEM FOR IDENTIFYING TYPE OF RENTED CONSTRUCTION EQUIPMENT AND ASSESSING ITS CONDITION
Abstract: this article, machine learning algorithms based on neural networks are proposed to automate processes of classification, inventorying, and assessing the condition of rented construction equipment.
Keywords: machine learning, neural networks, construction equipment, state assessment, YOLOv8, ResNet.
