مقدمه
در پروژه‌های ساخت‌وساز 5 مورد نیروی انسانی، ماشین، پول، مواد و مدیریت مورد نیاز است و موفقیت پروژه کاملاً به استفاده مناسب از این پنج چیز بستگی دارد. در پروژه‌های بزرگ تجهیزات ساختمانی بخش مهمی برای کار پیشرفته هستند که تخصیص مناسب آن‌ها بهره‌برداری، بهره‌وری و موفقیت پروژه را نشان می‌دهد. درک کارایی کاربرد تجهیزات در یک سایت این است که زمان کار تجهیزات خاص را اندازه‌گیری کنیم. به عنوان مثال، موتور ماشین‌آلات روشن شده است اما کار اختصاص داده‌شده را انجام نمی‌دهند و یا هیچ ارزشی را برای سایت اضافه نمی‌کنند، پس این زمان به عنوان زمان غیرفعال آن تجهیزات محاسبه می‌شود. با به حداقل رساندن زمان بی‌کاری تجهیزات، پیمانکار می‌تواند هزینه‌های اجاره و هزینه نیروی کار مورد نیاز برای عملیات خاص را کاهش دهد. تحلیل زمان واقعی و برنامه‌ریزی خوب منجر به بهره‌وری بیشتر می‌شود که می‌تواند باعث صرفه‌جویی در هزینه و زمان شود.
اخیراً فن‌آوری‌های تصویری جدیدی در محل ساخت برای توسعه یک فعالیت در قالب دیجیتال اجرا می‌شوند. این پژوهش بر روی پیاده‌سازی و توسعه فن‌آوری‌های تصویری جدید برای ثبت توالی ساخت‌وساز یک حفاری تمرکز دارد.
سابقه تحقیقات
محققان روشی را برای حضور مؤلفه‌های ساختاری از تصویر دیجیتالی که بر روی سایت ساخت‌وساز گرفته شده است، توصیف می‌کنند. هدف معرفی پردازش تصویر در فرآیند مدیریت برای افزایش عملکرد در یک سایت است که توسط آن‌ها ایجاد می‌شود و می‌تواند بخشی از یک تصویر را از طریق موقعیت و رنگ خود شناسایی کند. اشیا با استفاده از ردیاب لبه جمع‌آوری شدند. این نتایج، الگوریتمی را جستجو می‌کند که می‌تواند یک مؤلفه ساختاری را در یک عکس از محل ساخت‌وساز تشخیص دهد. این امر به طور قابل‌توجهی عملکرد سیستم را با ابزاری افزایش می‌دهد که یکپارچه‌سازی زمان، عکاسی دیجیتال و یک ابزار برنامه‌ریزی پویا را تسهیل می‌کند. این الگوریتم به نرم‌افزاری بنام CRM (مدیریت ارتباط با مشتری) کدگذاری شده است.
امروزه تصویربرداری دیجیتال را در ارزیابی فرآیند ساخت پروژه ارائه می‌کنند. این مورد بر روی روش تقسیم‌بندی تصویر تمرکز دارد که برای ترکیب هدف اعضای سازه‌ای مورد نظر از تصاویر طراحی شده است. روش قطعه‌بندی، روش بخش‌بندی لبه با دانش انسان از صحنه ساخت‌وساز ارائه‌شده توسط عملیات ریخت‌شناسی تصویر را ترکیب می‌کند. هدف از این کار، افزایش قابل‌توجه عملکرد یک روش پردازش تصویر و به حداقل رساندن نیاز به جدا کردن دستی اشیا مورد نظر در یک تصویر و دستیابی به کنترل پویا در فرآیند ساخت است. یابنده لبه ابتدا شی را با مقادیر آستانه بر اساس تصاویر سیاه و سفید (سایه‌خاکستری) نشان می‌دهد. این روش برای بخش‌بندی یک جز ساختاری در تصاویر دیجیتال که در یک مکان انجام می‌شوند موثر است، با این حال، این الگوریتم به اصلاح بیشتر نیاز دارد، و فرصتی برای کنترل خودکار پیشرفت می‌دهد.
ارزیابی‌های فعلی پیشرفت در پروژه‌های ساخت‌وساز را ارائه می‌دهد که اغلب در آن‌ها مشکل و خطا در حال وقوع است. تصاویر محل ساخت‌وساز به شدت به هم انباشته‌شده‌اند و افراد، تجهیزات و سایه‌های آن‌ها به شدت تجزیه و تحلیل و تشخیص داده می‌شوند. محققان اولین سیستم نمونه اولیه را ارائه می‌دهند که قادر به تشخیص و ثبت تغییرات در محل ساخت با دوربین شده است، و این تصاویر را به عنوان یک کار حقیقی و یا به صورت نامربوط طبقه‌بندی می‌کنند. آن‌ها سیستمی را پیشنهاد می‌کنند که قادر به تشخیص خودکار تغییرات در محل ساختمان با دوربین، و شناسایی تغییرات به عنوان بخشی از برنامه ساخت‌وساز است، همچنین نشان داده‌اند که چگونه این روش می‌تواند تشخیص صحیح و قابل‌اعتماد رویدادهای کلیدی در طول ساخت‌وساز را ایجاد کند.
برای مثال محققان نظارت بر پیشرفت ساخت پل را با استفاده از آنالیز تصویری انجام دادن که در آن معماری سخت‌افزار سیستم و نتایج کاربردی آن با خروجی‌های امیدوارکننده ارائه می‌شوند. آن‌ها تمام فرآیند نظارت بر ساخت پل را از مجموعه داده گرفته تا تحلیل داده‌ها با کمک دوربین‌های مداربسته و WLAN ها ارائه کرده‌اند. مدل نهایی با CAD ۳ بعدی ساخته شد و داده‌های برنامه‌ریزی‌شده داده‌های جمع‌آوری شده مورد مقایسه قرار گرفتند.
همچنین آن‌ها استدلال تصویر دیجیتال را برای ردیابی فعالیت‌های حفاری با استفاده از HSV برای تقسیم‌بندی تصویر و فرآیند ردیابی جسم تشریح می‌کنند. فضای رنگ HSV دارای مزایایی نسبت به فضای رنگ RGB برای شناسایی و ردیابی تجهیزات ساخت از پس‌زمینه پر سر و صدا می‌باشد. آن‌ها به طور خلاصه روش‌های محاسبه زمان اتوماتیک تجهیزات با استفاده از پردازش تصویر را با نتیجه امیدوارکننده توضیح می‌دهند که می‌تواند به مدیران پروژه کمک کند تا استفاده دقیقی از تجهیزات را درک کنند.
فناوری IMAGING در ساخت‌وساز ساز
استفاده از تکنیک پردازش تصویر در صنعت ساخت‌وساز با استفاده از دوربین‌های دیجیتال و اسکنر، افزایش‌یافته است. استفاده از این تولیدکنندگان به دو گروه تقسیم شد.
نظارت بر فعالیت
کاربرد این رده با ساختمان‌های بلند، پل‌ها و دیگر پروژه‌های بزرگ همراه بوده است و به طور گسترده برای تجسم و سندسازی مناسب مورد استفاده قرار می‌گیرد.
تشخیص و کنترل
در این گروه پردازش تصویر دیجیتال مورد استفاده در عملیات استخراج سنگ، هندسه و توزیع غلات توصیف شده است. توسعه جدید در این حوزه شامل تشخیص ترک، عیوب نقاشی و بازرسی خطوط لوله آب و فاضلاب است.
معماری برای کسب داده‌ها
تصاویر از محل ساختمان گرفته و معماری سیستم را برای جمع‌آوری داده‌ها نشان می‌دهد. دوربین مداربسته بر روی سایت یا در ساختمان مجاور نصب شده است که راحت‌تر است و فضای بصری مناسبی را ارائه می‌دهد. این دوربین‌های مداربسته به اینترنت متصل هستند، بنابراین داده‌های بدست‌آمده به راحتی به کاربران منتقل خواهند شد. اولین نقطه دسترسی به دوربین و دیگری به اینترنت متصل خواهد شد. داده‌های تصویری جمع‌آوری از طریق دوربین مداربسته می‌تواند با موفقیت از سیستم WLAN خارج شود. مدیران می‌توانند بر پیشرفت تجهیزات نظارت داشته باشند.
قطعه‌بندی
این چالش‌برانگیزترین کار از کل فرآیند است. فرآیند بخش‌بندی یک تصویر دیجیتال به بخش‌های مختلف برای ساده‌سازی تصویر به معنی آسان‌تر کردن آن برای تجزیه و تحلیل است. اطلاعات رنگی RGB به شناسایی تجهیزات و بعدها شی مورد علاقه آشکارشده توسط یابنده لبه هوشمند مورد استفاده قرار می‌گیرد.
پی‌گیری هدف
بعد از تقسیم‌بندی تصویر، باید شی را ردیابی کنیم. هدف از این کار ردیابی برخی از ویژگی‌ها چون گستره رنگ، و اندازه می‌باشد.تجهیزات سایت با رنگ مشابه ممکن است گیج و سردرگم شود. بنابراین ردیابی اشیا که شدت مناسب سه رنگ اصلی را به رنگ قرمز، آبی و سبز نشان می‌دهد ضروری است. محدوده تراکم، بین ۰ تا ۲۵۵ به نام پیکسل تغییر می‌کند.
معماری برنامه
برنامه‌ای که با استفاده از MATLAB اجرا می‌شود به طور خودکار زمان واقعی توابع دیگر را برآورد می‌کند و همچنین در برنامه‌ای تغییر اندازه تصویر اصلی اضافه می‌شود که مانع تداخل ناخواسته سایر اشیا در تصویر و کاهش زمان پردازش و دیگر عملکردها می‌شود که به کاربر اجازه می‌دهد تا شی مورد نظر را در تصویر اصلی انتخاب کند.
داده‌های تصویری که از طریق دوربین مداربسته جمع‌آوری شدند می‌توانند با موفقیت از سیستم WLAN خارج شوند. مدیران می‌توانند زمان واقعی تجهیزات را با استفاده از دوربین، WLAN، و داده‌های تصویری سایت ساخت‌وساز به طور خودکار از سایت به شرکت منتقل کنند. برای تجزیه و تحلیل ساختار پیش‌فرض و فعالیت‌های حفاری، تکنیک پردازش تصویر همراه با مدل متلب استفاده می‌شود که می‌تواند به مهندسین پروژه کمک کند تا کاربرد تجهیزات را بهتر درک کنند. پردازش تصویر و روش پیشنهادی قادر به اندازه‌گیری موثر زمان واقعی هر نوع تجهیزات ساختمانی هستند.
تخمین عمق ترک‌های ناشی از خوردگی فولاد با استفاده از تکنیک‌های پردازش تصویر و لیزری
تشخیص ترک برای حفظ ایمنی لازم است و حساسیت آن زمانی است که بازرسی‌های انسانی نمی‌تواند به دلیل محدودیت‌های فضایی و یا خطرات ایجاد شود. در اینجا یک روش اندازه‌گیری عمق ترک اتوماتیک با استفاده از پردازش تصویر و روش‌های لیزری ایجاد شده است. اندازه‌گیری حداکثر عمق واقعی با استفاده از میکروسکوپ لیزری Keyence (vk – X۱۰۰) انجام می‌شود. برای کار یک دوربین کوپل شده (CCD) همراه با رزولوشن بالا و بزرگنمایی پیوسته ۱۰ x مورد نیاز است. عمق ترک با استفاده از جعبه‌ابزار Make۳D به‌روز شده محاسبه می‌شوند. عمق اندازه‌گیری شده و محاسبه‌شده برای ۱۱ نمونه ترک با ۱۰۵ قسمت مقایسه می‌شوند. مقایسه نشان داد که حداقل خطای میانگین کلی بین عمق اندازه‌گیری شده و محاسبه‌شده به ترتیب برابر ۶.۱۳ % و ۲۸.۲۲ % است.
همیشه نیاز به توسعه یک مدل بازرسی ترک وجود دارد. روش‌های سنتی بازرسی دیداری زمان بر و هزینه‌بر هستند. روش‌های بازرسی ترک خودکار که ضرورت بازرسی انسانی را محدود می‌کنند، پتانسیل کاهش هزینه و زمان مورد نیاز برای بازرسی سطح را دارند. برداشت ویژگی‌های ترک ناشی از یک دوربین تفکیک بالا و الگوریتم‌های پردازش تصویر است. محدودیت‌های استخراج را می‌توان به دقت با پیکسل‌ها کاهش داد. این روش نه تنها استخراج ترک‌ها را میسر می‌سازد، بلکه تحلیل ترک باکیفیت بالا را تضمین می‌کند. در مقایسه با سایر ویژگی‌های ترک، مانند طول، محل و عرض، عمق ترک، دشوارترین ویژگی است که باید تخمین زده شود. روش‌های موجود برای بازرسی ترک را می‌توان به دو دسته تقسیم کرد: آزمایش مخرب DT، آزمایش غیر مخرب NDT
روش‌های جدید نیز شامل روش‌هایی که با استفاده از امواج ضربه یا روش‌های فرا صوت و روش‌های غیر تماسی با استفاده از سنسورهای لیزر، رادار نفوذکننده زمین و روش‌های طبقه‌بندی تصویر استفاده می‌شوند
روش پردازش تصویر تنها روشی است که تصویر ترک در تمامیت آن را فراهم می‌کند. با افزودن برخی مدل‌های موثر، یک رویکرد ترکیبی می‌تواند نتایج جامعی در مورد ترک‌ها ایجاد نماید.
این مطالعه بر روی عمق ترک سطح فولاد و مقادیر محاسبه‌شده تمرکز دارد. باید رابطه‌ای بین ویژگی‌های ترک و ارزش عمق آن وجود داشته باشد.
تکنیک‌های اندازه‌گیری عمق ترک
عمق ترک را با استفاده از سیستم تست ImpactEcho بادقت 4-10% در محدوده اندازه‌گیری کردند سپس سیگنال های منعکس‌شده توسط یک مبدل فرا صوت با یک آرایه فازی برای ترک‌ها با جهت‌گیری‌های مختلف و عمق‌های متفاوت را جمع‌آوری کردند. بردارها توسط فناوری مقطعی, دامنه پیک و روش‌های بسته موجک استخراج‌شده‌اند و فرکانس تحریک در حال تغییر را از 50mhz تا40 هرتز بر روی نمونه‌های آلومینیومی اعمال کردند. نتایج نشان‌دهنده توزیع فضایی شیب‌های حرارتی برای عمق ترک در فرکانس تحریک 0.5 هرتز بود.
این روش می‌تواند اطلاعات را تا عمق ترک 3 میلیمتر برای سطوح آلومینیوم فراهم کند. داده‌های فرا صوتی به وسیله روش انعکاس صدا جمع‌آوری و صفحات فولادی باترک‌های مختلف از1 mmتا 3میلی مترچک شدند. مشاهده شد که با کاهش اندازه ترک از3 میلی متر به 2 میلی متر, دامنه سیگنال از78تا 48 واحد کاهش می‌یابد. همچنین مشاهده می‌شود که هنگام نزدیک تر شدن به ترک, زمان اوج سیگنال‌های ترک کاهش می‌یابد.
شکل‌های موجی پراکنده از شکستن سطح به وسیله تجزیه و تحلیل عددی بر اساس موج الاستیک محاسبه شدند. محقان مقایسه‌ای از کارایی تشخیص ترک در تصاویر سطح پل با استفاده از تبدیل فوری, فیلترSobel, تبدیل سریع Haar وفیلترCanny پیشنهاد کردند که تصویر را به مؤلفه‌های فرکانس پایین و فرکانس بالا تجزیه می‌کند. این فرآیند با ایزوله کردن ضرایب فرکانس, دنبال می‌شود و پس از آن یک چارچوب تصویر مبتنی بر تصویر با استفاده از دوربین‌های نوری را پیشنهاد کردند.
این چارچوب شامل تکنیک‌های پردازش تصویر مانند بومی‌سازی آسیب درهرفریم تصویر، تعیین وقوع آسیب با استفاده از تصاویر سری زمانی و تعیین مقدار هندسی آسیب می‌باشد. نتایج نشان‌دهنده موفقیت درپایش وکمی کردن ترک‌های هندسی است
محققان همچنین یک سیستم اندازه‌گیری اتوماتیک برای بازرسی با استفاده از استخراج مناسب ترک را پیشنهاد کردند. به کمک یک دوربین بارزولوشن بالا, ویژگی‌های ترک با تکنیک‌های پردازش تصویراستخراج می‌شوند. با استفاده از انتخاب آستانه و روشنایی کل منطقه ترک، محدودیت‌های استخراج به درجه دقت پیکسل کاهش یافت. این به این معنی است که روش پیشنهادی نه تنها استخراج ترک‌ها را میسر می‌سازد بلکه تحلیل ترک باکیفیت بالا را نیز به دنبال دارد .سپس دو روش پیش‌پردازش را با استفاده از روش تفریق وماتریس hessian پیشنهاد کردند. این روش‌ها نمی‌توانند انعطاف‌پذیر باشند.
علاوه براین, روش‌های یک اندازه برای استخراج ترک‌های دقیق کافی نیستند، زیرا طول وعرض ترک‌ها درسطوح واقعی متفاوت است. برای استفاده عملی, دقت اندازه‌گیری برای عرض ترک نیز مورد نیازاست.
جعبه ابزار ۳ بعدی
Make۳D ابزاری برای تبدیل تصاویر دوبعدی به سه‌بعدی به منظور تخمین عمق نقشه است. انسان‌ها می‌توانند اشیا بصری را تشخیص دهند مثل یک شکل خاص که ممکن است یک ساختمان با آسمان، علف، درختان بالای زمین و غیره باشد. به طور خاص، این مدل برای محاسبه عمق با استفاده از یک مجموعه آموزشی که در آن عمق واقعیت زمین با استفاده از اسکنر لیزری جمع‌آوری شده است، آموزش داده می‌شود.
ساختار تغییریافته
این جعبه‌ابزار با شرایط ما به‌روزرسانی می‌شود و در همه بخش‌های ثبت‌شده اعمال می‌شود. عمق میدان خروجی از مقادیر عمقی چند سطحی تشکیل شده است. حداکثر مقدار در هر بخش استخراج و ثبت می‌شود. تعداد به‌روزرسانی شده در جهت x، ۱۰۲۴ پیکسل و در جهت Y ۷۶۸ نقطه است. اندازه فیزیکی دوربین CCD در جهت x با ۴۸۰۰ mm و اندازه فیزیکی دوربین CCD ها در مسیر y با ۳۶۰۰ میلیمتر به‌روزرسانی می‌شود. طول کانونی دوربین با ۱۶۵۰۰ میلیمتر به‌روزرسانی می‌شود. نتایج حاصل از بخش اول برای فرآیند تخمین عمق (تصویر رنگی و super) نشان داده شده است.
توصیف سیستم ارزیابی
نمونه‌های تست از کارخانه تولید فولاد جمع‌آوری می‌شوند. در فرآیند سرد کردن, میکرو ترک‌ها ایجاد می‌شوند. این ترک‌ها باید بزرگنمایی شوند تا مشخصات ترک‌ها به اندازه کافی استخراج شوند. تعداد کل ترک‌ها بررسی و هر ترک به دو بخش تقسیم می‌شود. تعداد کل بخش‌ها یکسان است.
اندازه‌گیری‌ها بر روی نمونه‌های تست سطح فولادی با ایجاد ترک‌های ریز در تمام بخش‌های ثبت‌شده اعمال شده است. میکروسکوپ لیزری برای اندازه‌گیری ویژگی‌های ترک هر بخش استفاده می‌شود. در هنگام ثبت، زوم به کار نمی‌رود. تنها بزرگنمایی ثابت ۱۰ x برای تمام بخش‌ها با یک منبع نور ثابت است.
منبع نور ثابت با استفاده از لامپ هالوژن ایجاد می‌شود. در میکروسکوپ لیزری دو منبع نور را به کار می‌برد: یک منبع لیزر و یک منبع نور سفید. این دو نوع منبع نور به کسب شدت لیزر، رنگ و ارتفاع نیاز دارند که برای ساخت تصاویر رنگی کاملاً متمرکز، تصاویر لیزری متمرکز و اطلاعات ارتفاع نیاز است.
سطح نمونه تست به طور افقی نصب شده وجهت دوربین و جهت لیزر به صورت عمودی نصب‌شده‌اند. تنظیم اتوماتیک و تنظیم خودکار محدودیت‌های بالا و پایین در هر بخش ترک انجام می‌شود. طول، عرض، عمق و زبری سطح در هر بخش اندازه‌گیری و ثبت می‌شوند.
ترک سطحی به بخش‌های یک میلی متر تقسیم شد.
میکروسکوپ لیزری KEYENCE (vk – x۱۰۰).
بحث نتایج
نتایج مقایسه شده برای بیشینه عمق اندازه‌گیری شده و تخمین زده‌شده برای ترک نشان داد که خطای میانگین کلی برای تخمین عمق واقعی با استفاده از این روش برابر با ۶.۱۳ % است. حداکثر عمق اندازه‌گیری شده و تخمین زده‌شده برای همه بخش‌ها به ترتیب 5.32% میلی متر و 8.72% میلی متر می‌باشد.
میکروسکوپ لیزری.
شکل ۶: شکاف نوری تصویر و اندازه‌گیری عمق.
خطای میانگین کلی برای تخمین عمق واقعی با استفاده از این روش برابر با ۲۸.۲۲ % است. جدول ۳ به طور متوسط حداکثر مقایسه عمق در هر ترک را نشان می‌دهد. حداکثر عمق اندازه‌گیری شده و تخمین زده‌شده برای همه ترک‌ها به ترتیب ۶۸.۸ میلی متر و ۶۰.۲ میلی متر می‌باشد. حداقل ۳۵ mm و ۳۲.۴ میلی متر، انحراف استاندارد (مقدار تغییرات یا پراکندگی مجموعه داده) ۱۱.۵ میلیمتر و دامنه (اختلاف بین بزرگ‌ترین و کوچک‌ترین مقدار) ۳۴.۲ میلی متر و ۲۷.۹ میلی متر است. تحلیل داده‌ها برای حداکثر اندازه‌گیری شده و تخمین زده‌شده برای تمام شکاف‌ها در میکرون در شکل ۹ نشان داده شده است.
شکل ۸ تحلیل داده برای عمق اندازه‌گیری شده و تخمین زده‌شده برای ترک ۸ (در lm).
شکل ۹ تحلیل داده برای عمق‌های اندازه‌گیری شده و برآورد شده (در lm).
حداکثر عمق واقعی ترک‌ها با استفاده از میکروسکوپ لیزری Keyence (vk – X۱۰۰) اندازه‌گیری می‌شوند. حداکثر عمق برآورد شده هر بخش با استفاده از جعبه‌ابزار ۳ بعدی Make محاسبه می‌شود. تعداد کل شکاف‌ها برابر با صد و پنج بخش است. مقایسه نشان داد که حداقل و خطای میانگین کلی بین عمق اندازه‌گیری شده و تخمین زده‌شده در حدود ۶.۱۳ % است.
منابع:
Minal R.Balki1, Dr.Ushadevi Patil / A REVIEW PAPER ON IMAGE PROCESSING
TECHNIQUE FOR OBSERVING REAL TIME WORK PROCESS BY CONSTRUCTION EQUIPMENT.
Hesham M. Shehata , Yasser S. Mohamed , Mohamed Abdellatif , Taher H. Awad / Depth estimation of steel cracks using laser and image processing techniques.
Hongjo Kim, Kinam Kim, Sungjae Park, Jihoon Kim, and *Hyoungkwan Kim / An Interactive Progress Monitoring System using Image Processing in Mobile Computing Environment.
Changyoon Kim1, Hyoungkwan Kim2 and Yeonjong Ju3 / Bridge Construction Progress Monitoring Using Image Analysis
-
-
-
-
-
-
-
