由於人工智慧 (AI) 的最新進展，土木工程師可以更有效率、更具成本效益地檢查大型基礎設施，同時還可以監控損壞嚴重程度隨時間的進展。

洛桑聯邦理工學院 (EPFL) 研究人員團隊展示了人工智慧驅動的裂紋檢測、擴展和監控方法的可行性，並將很快在瓦萊州採爾馬特和布里格之間的鐵路段上進行測試。該研究是發表在建築自動化。

人工智慧可以透過自動檢查軌道、枕木、道碴和擋土牆來幫助提高鐵路安全。洛桑聯邦理工學院智慧維護和作業系統 (IMOS) 實驗室的研究人員開發了一種人工智慧驅動的方法，可提高裂縫檢測的效率混凝土結構。

他們的研究引入了一種採用可解釋的新方法人工智慧，或者是一種允許用戶了解人工智慧決策基礎的人工智慧形式。

「我們訓練了一種演算法來區分有裂縫和沒有裂縫的圖像混凝土牆[二元分類任務] 透過提供來自兩個類別的數百個影像樣本。然後我們要求演算法突出顯示它使用哪些像素來做出決定，」IMOS 實驗室的科學家、該研究的主要作者 Florent Forest 說道。

此演算法成功辨識出裂縫對應的像素。「透過我們的方法，用戶可以將幾年來拍攝的一段鐵路或任何其他類型的圖像提供給演算法基礎設施定期進行檢查，並要求其量化隨時間推移牆壁和枕木裂縫的嚴重程度。這有助於基礎設施營運商更有效地規劃維護，」他說。

加強檢查

目前，鐵路營運商使用預先定義的標準定期檢查擋土牆等基礎設施的狀況，其中等級由經驗豐富的檢查員指定。然而，這個過程通常容易出現主觀評估，並且很難追蹤隨時間的變化，特別是當不同的檢查員在不同時間點評估基礎設施的同一部分時。

由於數位化的進步，鐵路營運商可以使用專門的監控車廂來監控軌道狀況，該車廂配備了各種測量設備以及側面和地面攝像頭，用於對鐵軌、混凝土枕木和擋土牆進行目視檢查。

透過使用這些人工智慧驅動的系統進行損壞嚴重程度量化，檢查過程可以實現自動化，使其更加客觀、準確，並且隨著時間的推移更容易進行比較。

洛桑聯邦理工學院研究團隊將在採爾馬特和布里格之間以及布里格和迪森蒂斯之間的鐵路路段上測試其方法。這些部分包括許多不同形狀和材料的擋土牆，使得任務對演算法來說極具挑戰性。

該團隊已經收集了無人機影像以及監控教練的影像，並將使用其人工智慧演算法協助鐵路營運商更頻繁、更有系統地監控其基礎設施。

更多資訊：Florent Forest 等人，用可解釋的人工智慧從分類到分割：裂紋檢測和生長監測的研究，建築自動化（2024）。DOI：10.1016/j.autcon.2024.105497