Identificazione automatica di lesioni nel calcestruzzo mediante rete neurale convoluzionale

Abstract

Il seguente lavoro di tesi riguarda un primo approccio allo sviluppo di un sistema di intelligenza artificiale basata sul Deep Learning. Lo scopo è la classificazione di immagini di calcestruzzo con lesioni e integro. Lo sviluppo della rete è partito dalla rete pre-addestrata GoogLeNet, alla quale è stata applicata la tecnica del transfer learning, il tutto è stato effettuato tramite il Deep Learning Toolbox di MATLAB. Gli addestramenti sono effettuati su un database di immagini formato da 40000 immagini categorizzate in lesionate e non lesionate. A questo database sono poi state aggiunte anche un certo numero di immagini comprendenti colorazioni differenti, macchie di umidità, presenza di muschio e superficie non regolare. L’efficacia degli addestramenti è stata valutata tramite un’analisi statistica. Infine, le reti sono state testate su immagini ottenute da un’ispezione eseguita tramite drone del ponte Paleggiati in modo tale da comprendere l’efficacia in contesti reali.

The following thesis work concerns a first approach to the development of an artificial intelligence system based on Deep Learning. The purpose is the classification of images of cracked and uncracked concrete. The development of the network started from pre-trained GoogLeNet network, to which the transfer learning technique was applied, everything was carried out using the MATLAB Deep Learning Toolbox. The training is carried out on an image database made up of 40000 images categorized into damaged and non-damaged. A certain number of images including different colours, damp spots, presence of moss and irregular surfaces were then added to this database. The effectiveness of the trainings was evaluated through a statistical analysis. Finally, the networks were tested on images obtained from a drone inspection of the Paleggiati bridge in order to understand their effectiveness in real contexts.