AI som upptäcker fasadsprickor

Thu 04 Jun 2020 13:37

Linus Eriksson läser sitt tredje år på Civilingenjör i elektroteknik på Mittuniversitetet. Under våren har Linus gjort ett examensarbete inom artificiell intelligens – AI, en utmaning som kom från det kommunalägda bolaget ÖviksHem.

Linus Eriksson, student elektroteknik

Linus Eriksson läser sitt tredje år på Civilingenjör i elektroteknik på Mittuniversitetet. Under vårterminen gör alla tredjeårsstudenter ett examensarbete, ofta i nära samarbete med ett företag. Företagen skickar in olika utmaningar som studenterna sedan kan välja att söka. Linus fastnade för en utmaning inom artificiell intelligens – AI som kom från det kommunalägda bolaget ÖviksHem. ÖviksHem ingår i forskningsprojektet IoT Testbäddar på Mittuniversitetet och de ville undersöka om det är möjlig att använda maskininlärning, eller AI som det också kallas, för att detektera sprickor i byggnadsfasader.

- Jag var nyfiken på maskininlärning och ville vet hur det fungerar. Mitt uppdrag var att få fram en så bra AI-algoritm som möjligt. Algoritmen ska analysera bilder på fasader och kunna avgöra om det finns en spricka i fasaden, berättar Linus.

Idag gör ÖviksHems personal okulära besiktningar av byggnader för att detektera eventuella sprickor. Det är ett tids- och resurskrävande arbetet därför vill Övikshem undersöka om det är möjligt att med hjälpa av en drönare detektera sprickor istället.

En bild från Linus simuleringar av fasadsprickor. Där AI:et ska lära sig särskilja sprickor från annan struktur i fasaden.

- Utmaningen ligger i att genom kamerabilderna kunna identifiera sprickor i fasaden och särskilja dem från annan textur i fasaden, tex. mönster i putsen eller fönster som AI:et måste kunna sortera bort, berättar Linus.

För att träna upp en AI-algoritm krävs ofta ett bildmaterial på tiotusentals bilder. Tyvärr visade det sig svårt att hitta tillräckligt mycket bildmaterial på fasadsprickor men Linus hittade ett dataset med bilder av sprickor i betongbroar som han kunde använda sig av. Men för att göra algoritmen mer robust behövdes objekt introduceras i träningsbilderna för att den skulle bli bättre på att klassificera bilder med objekt som t. ex fönster, stuprör, stuckatur. Och eftersom det inte finns mycket fasadbilder på nätet eller några dedikerade dataset för det så kändes simulering som ett starkt alternativ. Utöver detta simulerade Linus sprickor i ett 3D rendering program som kallades för Blender, det används för att bygga upp ett dataunderlag till AI-algoritmer.

En uppförstoring av en simulerad fasadspricka.

 

- Det visade sig vara flera utmaningar i denna utmaning. Jag fick göra bildsimuleringar av fasadtexturer så jag har verkligen fått lära mig allt från grunden men det finns så många bra verktyg att tillgå på webben, säger Linus.

När bildmaterialet var färdig var det dags för Linus att börja träna sitt AI. Han började att använda modell för machine learning design från Google som heter RestNet. Det är en förtränad modell som kan användas för att snabba på arbetet med att träna AI:et för att i nästa steg klassificera bilderna för ändamålet, alltså avgöra vilka bilder som innehåller en spricka.

De simulerade bilderna med lite olika objekt blandades med de bilderna av betongsprickor och testades med ResNet som feature extractor och resultatet var en algoritm som var lite bättre på att klassificera sprickor, både när det bara var sprickor och när det fanns objekt med i bilderna

Arbetet startade i april och den 4 juni ska det presenteras i en rapport. Nästa år är det dags för Linus att läsa sin master och kanske väljer han att fortsätta sina studier inom kraftelektronik på KTH som Mittuniversitetet samarbetar med.

- Ju mer jag lärt mig om AI desto mer upptäcker jag att det finns kvar att lära sig men det har varit ett väldigt intressant arbete. Jag hoppas att mitt arbete kan bidra till företagets vidareutveckling av AI-applikationer, avslutar Linus.


Recommended

The page was updated 6/5/2020