Mantenha os para-lamas com combinação de drone e IA

Com o advento da quarta revolução industrial, há uma necessidade crescente em todo o mundo para a manutenção de instalações portuárias utilizando drones. Além disso, tornou-se mais essencial garantir a manutenção proativa das instalações portuárias para garantir sua segurança e capacidade de manutenção sustentáveis, uma vez que o número de instalações portuárias antigas na República da Coreia, que devem exceder 30 anos de vida útil até 2030, deve aumentar em Cerca de 50%.

Em particular, é crítico em termos de operações portuárias garantir a atracação segura de navios para fins de carga e descarga. Os pára-lamas desempenham um papel crítico nessas situações. As defensas são instaladas no lado do mar da superestrutura da parede do cais para evitar danos no casco e na estrutura da embarcação causados ​​pela força da atracação do navio e pela força de atrito. No entanto, como a maioria das defensas é inacessível diretamente por terra, os inspetores devem se aproximar usando barcos flutuantes e inspecionar visualmente a condição das defensas. É muito perigoso, demorado e difícil obter informações detalhadas sobre os danos causados ​​pelas ondas do mar e outros riscos.

O Instituto Coreano de Engenharia Civil e Tecnologia de Construção (KICT) anunciou uma nova abordagem de inspeção para detectar automaticamente para-lamas que incorporam um modelo de IA e um sensor de visão no veículo aéreo não tripulado. Ele utilizou especialmente uma rede de aprendizado profundo com o formato codificador-decodificador densamente conectado. É uma das redes amplamente utilizadas para detecção de objetos em nível de pixel, inspirada na função excêntrica da visão humana.

O algoritmo AI, desenvolvido pelo Departamento de Pesquisa de Engenharia Estrutural do KICT, equipe de pesquisa liderada pelo Dr. Min, Jiyoung, foi denominado “pirâmide de campo receptivo densamente conectado (DRFP)” ou “versão minúscula de DRFP (DRFPt)”. O objetivo era extrair com precisão e rapidez os pára-lamas no nível de pixel de várias imagens de UAV.

A fim de pesquisar com eficiência uma ampla área de uma só vez e reduzir a complexidade computacional, a convolução padrão e a convolução dilatada foram densamente conectadas em forma de pirâmide. E um conjunto de dados de defensas foi coletado usando UAV em várias instalações portuárias. O desempenho de detecção do modelo proposto foi comparado com os outros modelos de deep learning da literatura.

Os resultados mostraram que o modelo proposto detectou de forma confiável as defensas em imagens tiradas de vários ângulos, com pontuações IoU e F1 superiores a 88%, apesar das mudanças na cor ou forma causadas pela maré. Aqui, IoU (Intersection over Union) significa a proporção da área de sobreposição para a área combinada de estimativa e dados de campo. A pontuação F1 é uma medida estatística da precisão de um teste. 100% significa sobreposição e precisão perfeitas.

Existem inúmeros fatores de risco em todos os cantos das instalações portuárias que representam ameaças potenciais aos inspetores. Portanto, muitas autoridades portuárias estão tentando ativamente adotar novas tecnologias de inspeção remota, como UAVs (veículos aéreos não tripulados) e USVs (veículos de superfície não tripulados), tanto para garantir a segurança dos inspetores quanto para facilitar suas inspeções detalhadas e quantitativas em membros estruturais que são de difícil acesso por terra. Esses veículos não tripulados são normalmente equipados com sensores de visão através dos quais gravam continuamente imagens de vídeo ou fotografias individuais enquanto continuam a manobrar em torno da estrutura.

Considerando a enorme escala das estruturas portuárias que se estendem por muitos quilômetros, o tamanho original dos dados das gravações de vídeo em altas resoluções geralmente é muito grande para os computadores comuns gerenciarem. Por exemplo, cerca de 4.000 fotografias aéreas ocupando 50 GB de armazenamento foram coletadas em um trecho de 1,25 km de concreto de cobertura e estrutura principal de caixão no porto de Incheon, na República da Coreia, que foram capturadas por uma câmera 4K com 50% de sobreposição transportada por um drone. Assim, para garantir o gerenciamento eficaz dos dados massivos de fotografia aérea ao longo do tempo, é importante extrair rapidamente apenas os objetos-alvo que requerem manutenção das fotos ou vídeos e armazenar e gerenciar as informações quantitativas necessárias sobre a condição dos objetos-alvo.

O pesquisador principal, Dr. Min, Jiyoung disse: “Estamos planejando atualizar este modelo para o sistema de inspeção de integridade do pára-choque. Isso nos permitirá detectar quantitativamente danos, como seções ausentes ou rachaduras, apenas de imagens de UAV. Esta tecnologia de combinação UAV-AI irá avaliar automaticamente a capacidade de manutenção do pára-choque no futuro, garantindo a segurança dos inspetores e reduzindo o custo de tempo no campo.”

Fornecido pelo Conselho Nacional de Pesquisa em Ciência e Tecnologia