ВИКОРИСТАННЯ НЕЙРОННОЇ МЕРЕЖІ YOLO ДЛЯ ВИЯВЛЕННЯ БУДІВЕЛЬНИХ ДЕФЕКТІВ У РЕАЛЬНОМУ ЧАСІ - Научное сообщество
Главная
UA PL EN

Вас приветствует Интернет конференция!

Приветствуйем на нашем сайте

Рік заснування видання - 2011

ВИКОРИСТАННЯ НЕЙРОННОЇ МЕРЕЖІ YOLO ДЛЯ ВИЯВЛЕННЯ БУДІВЕЛЬНИХ ДЕФЕКТІВ У РЕАЛЬНОМУ ЧАСІ

10.12.2025 18:23

[1. Systemy i technologie informacyjne]

Автор: Журба Мирослав Олександрович, студент, Київський національний університет будівництва і архітектури; Терейковська Людмила Олексіївна, доктор технічних наук, професор, Київський національний університет будівництва і архітектури


Сучасні технології комп’ютерного зору та штучного інтелекту відіграють ключову роль у сфері будівництва, де точність і швидкість контролю якості конструкцій мають вирішальне значення. Одним із найважливіших напрямів є автоматичне виявлення дефектів будівельних матеріалів і поверхонь. Використання методів глибинного навчання дозволяє зменшити людський фактор, підвищити ефективність і забезпечити постійний моніторинг стану об’єктів у реальному часі. Проблематика виявлення дефектів залишається надзвичайно актуальною: згідно з міжнародними звітами, понад 30% аварій будівель пов’язані з несвоєчасним виявленням тріщин, корозії або відшарувань матеріалів. Традиційні методи візуального контролю є трудомісткими, суб’єктивними й потребують значних ресурсів. Саме тому впровадження інтелектуальних систем аналізу зображень, зокрема на базі архітектури YOLO (You Only Look Once), відкриває нові можливості для будівельної галузі.

Метою роботи є дослідження ефективності застосування нейронної мережі YOLO для виявлення будівельних дефектів у реальному часі.

Модель YOLO належить до сімейства одноетапних детекторів об’єктів, де процес виявлення виконується безпосередньо під час одного проходу зображення через нейронну мережу. Це дозволяє досягти високої швидкості (до 60 кадрів/с) при збереженні точності. На відміну від двоетапних моделей, таких як Faster R-CNN, YOLO не потребує попереднього формування регіонів інтересу, що робить її придатною для реального часу. Сучасні версії YOLOv8 і YOLOv9 включають покращену архітектуру детекції з модульною структурою CSPDarknet, механізмом attention та оптимізованим прогнозуванням обмежувальних рамок.

У роботі [1] подано ґрунтовний огляд розвитку YOLO від версії v1 до v11 та показано, що ця архітектура демонструє найкраще співвідношення між швидкістю та точністю серед сучасних моделей для інспекції дефектів поверхонь. Автори наголошують, що завдяки легкій структурі модель можна інтегрувати навіть у мобільні або вбудовані системи. 

У дослідженні [2] розглянуто застосування покращеної моделі YOLOv8 для аналізу поверхонь будівель. Модель було оптимізовано шляхом заміни стандартного блока SPPF на адаптивний модуль багатомасштабного злиття ознак, що підвищило точність визначення тріщин і сколів до 94%. Це доводить, що YOLO може бути ефективним інструментом для контролю якості фасадів, бетонних плит і металевих елементів у реальних умовах освітлення.

Дослідження [3] запропонувало варіант FasterNet-YOLO для контролю дефектів сталевих поверхонь у режимі реального часу. Автори досягли збільшення продуктивності до 110 кадрів/с без втрати точності, що відкриває перспективи впровадження подібних моделей у безпілотних системах обстеження мостів і промислових споруд.

Слід зазначити, що застосування нейронних мереж для детекції дефектів у будівництві не обмежується лише задачами візуального розпізнавання. Наукова спільнота активно досліджує інтеграцію YOLO з іншими технологіями: лазерним 3D-скануванням, фотограмметрією, тепловізійною діагностикою та системами LiDAR. Поєднання різних типів даних дозволяє не лише виявляти зовнішні дефекти, але й ідентифікувати внутрішні порушення, що проявляються через локальні відхилення температури, щільності або геометрії бетонних елементів. Завдяки цьому можливим стає формування повноцінних тривимірних моделей пошкоджень та автоматичне прогнозування розвитку дефектів у часі. 

Ще одним важливим напрямом є адаптація YOLO для роботи в умовах обмежених ресурсів. Багато будівельних об’єктів потребують портативних інспекційних систем, які можуть працювати автономно на мікрокомп’ютерах типу Raspberry Pi, Jetson Nano, ARM-пристроях або мобільних CPU. Для цього створюються полегшені версії моделей - такі як YOLO-Nano, YOLO-Fastest, YOLOv8n, тощо. Їхня структура оптимізована таким чином, щоб зменшити кількість параметрів і обчислень без суттєвої втрати точності. Це дозволяє проводити обстеження навіть у польових умовах, де відсутні високопродуктивні сервери або доступ до хмарних обчислень. Важливим фактором, що впливає на якість детекції, є правильна підготовка навчальних даних. Успішність роботи YOLO значною мірою залежить від застосування методів аугментації - зміни яскравості, контрасту, поворотів, зсувів, шуму, масштабування та імітації реальних умов зйомки. Такі підходи дозволяють моделі краще узагальнювати дані і впевненіше розпізнавати дефекти, що можуть мати складну геометрію або бути малопомітними. Розширення датасета штучно створеними варіантами одного й того самого дефекту може підвищити точність моделі на 10–25%. Аугментація особливо важлива в контексті будівництва, де дефекти поверхонь різняться за розміром, глибиною, текстурою і освітленням. 

Окрему складність становить проблема класового дисбалансу. Найчастіше у наборах даних переважають тріщини, тоді як інші дефекти - корозія, відшарування, металеві деформації - зустрічаються значно рідше. У таких умовах модель може переоцінювати ймовірність домінуючих класів, що знижує загальну ефективність детекції. Для розв’язання цієї проблеми застосовують oversampling, undersampling, adaptive loss functions, модифіковані функції втрат (наприклад, Focal Loss), а також генеративні алгоритми (GAN) для створення додаткових прикладів рідкісних типів дефектів. Використання таких технік дозволяє значно збалансувати навчання та підвищити точність розпізнавання навіть малопоширених видів пошкоджень.

Таким чином, проведений аналіз доводить, що нейронна мережа YOLO має значний потенціал для впровадження в будівництві як базовий елемент систем технічного моніторингу. Перспективними напрямами подальших досліджень є створення галузевих датасетів для українських умов, розробка комбінованих моделей з урахуванням типу матеріалів, інтеграція з технологіями 3D-сканування та автоматичне прогнозування терміну служби елементів конструкцій. Інтеграція YOLO у процеси контролю якості будівель сприятиме підвищенню надійності споруд, скороченню людських помилок і забезпеченню сталого розвитку галузі в умовах цифрової трансформації.

Список використаних джерел

1. Mao, M.; Hong, M. YOLO Object Detection for Real-Time Fabric Defect Inspection in the Textile Industry: A Review of YOLOv1 to YOLOv11. Sensors 2025, 25, 2270. https://doi.org/10.3390/s25072270.

2. Lin, X.; Meng, Y.; Sun, L.; Yang, X.; Leng, C.; Li, Y.; Niu, Z.; Gong, W.; Xiao, X. Building Surface Defect Detection Based on Improved YOLOv8. Buildings 2025, 15, 1865. https://doi.org/10.3390/buildings15111865.

3. Yu, S.; Liu, Z.; Zhang, L.; Zhang, X.; Wang, J. FasterNet-YOLO for Real-Time Detection of Steel Surface Defects. PLOS ONE 2025, 20, e0323248. https://doi.org/10.1371/journal.pone.0323248.



Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Другие научные работы даной секции

Конференции

Конференции 2025

Конференции 2024

Конференции 2023

Конференции 2022

Конференции 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення