Как искусственный интеллект помогает в цифровизации инфраструктурной индустрии

В течение многих лет люди распознавали изображения лучше, чем компьютеры. Наш уровень ошибок стабильно на уровне 5 процентов, в то время как компьютерные алгоритмы были на уровне 30 процентов. Однако с ростом компьютерного зрения и глубокого обучения разрыв между людьми и компьютерами постепенно сокращается. В течение последних двух лет исследователи видели, что компьютерные алгоритмы показывают уровень ошибок менее 5 процентов, превосходя людей. Эти достижения приносят значительный потенциал многим различным отраслям.

В инфраструктурной отрасли пользователи применяют моделирование реальности в бесчисленных проектах для улучшения всех рабочих процессов. Трехмерная модель может предоставить в реальном цифровом контексте информацию, необходимую заинтересованным сторонам для проектирования, создания и эксплуатации активов, что помогает улучшить процесс принятия решений.

За последние пять лет искусственный интеллект, или ИИ, стал мейнстримом, больше не относящимся только к технологической индустрии. Он адаптируется и применяется для повышения его ценности во всех секторах, таких как обслуживание клиентов, бизнес-аналитика, маркетинг и продажи, и даже юридические услуги. Чтобы поддержать эту тенденцию, отрасль инфраструктуры начала исследовать использование технологии машинного обучения в рабочих процессах моделирования реальности во всех типах проектов.

Внедрение машинного обучения

Часто люди путают ИИ, машинное обучение и глубокое обучение. Хотя термины имеют совершенно разные значения, все они взаимосвязаны. ИИ — это самый общий термин, относящийся к любому случаю, когда компьютер делает что-то умное или рассуждает с данными. Эта способность рассуждать отличает ИИ от других видов компьютерного программирования. Программирование компьютера для разговора — это не ИИ; однако, если вы запрограммируете компьютер произносить речь и поймете его значение, этот процесс будет ИИ. Он включает в себя множество предметов, включая оптимизацию, экспертные системы, робототехнику, языковую обработку, компьютерное зрение и машинное обучение. Мы видим примеры машинного обучения каждый день, так как большинство камер смартфонов могут распознавать лица и фокусироваться на них. Глубокое обучение, подмножество машинного обучения, — это когда компьютер может действовать как человеческий мозг,

Исследователи моделирования реальности успешно используют машинное обучение для обнаружения объектов в крупномасштабных трехмерных сетках реальности. Эти практики, однако, только начало. Поскольку пользователи продолжают внедрять ИИ и машинное обучение в свои рабочие процессы моделирования реальности, они в конечном итоге стремятся использовать глубокое обучение. Исследователи обучали эти очень большие глубокие обучающие нейросети для выполнения самых разных задач, таких как распознавание изображений и функций, обнаружение объектов и обработка языка. Это будет иметь решающее значение при разработке ИИ для пользователей приложений моделирования реальности, и это поможет инфраструктурной отрасли перейти на цифровое вещание.

Видя структурные дефекты

Сегодня приложения для моделирования реальности используют машинное обучение для преодоления многих отраслевых проблем. Машинное обучение позволяет компьютерному зрению и распознаванию изображений выявлять проблемы с проектами или отдельными элементами оборудования до того, как они возникнут. Используя компьютерное зрение, исследователи учат компьютеры видеть людей. Компьютер может классифицировать объекты, то есть он может сказать, является ли одно изображение деревом или автомобилем. Следующим шагом является обучение компьютера обнаружению объектов, когда компьютер должен идентифицировать деревья и автомобили на одном и том же изображении. Компьютер должен быть в состоянии определить разницу между двумя объектами. Наконец, компьютер может сегментировать объект. Этот шаг включает рисование вокруг точной формы объекта, независимо от того, является ли изображение в 2D или 3D.

В последнее время организации использовали этот тип компьютерного зрения для обнаружения неисправностей в бетоне. Многие другие используют технологию для выявления трещин, в том числе их формы и глубины. Сегментируя трещину, исследователи могут выяснить точную форму, размер и масштаб трещины, а также другие важные сведения для инженеров.

Визуализация преимуществ в полевых условиях

Одна из замечательных особенностей распознавания изображений — это возможность обучать многослойную искусственную нейронную сеть тысячами изображений для распознавания объекта. Как только модель обучена, ее можно использовать для распознавания подобного объекта в новом изображении. С помощью этой функции исследователи могут создавать семантические 3D-модели. Эта модель будет классифицирована, чтобы инженеры знали детали того, что они видят в модели, сохраняя при этом высококачественный цвет и текстуру обычной трехмерной модели. Эта функция невероятно полезна для проверок инфраструктуры.

Этот тип модели был показан во время проекта CH2M Fairhurst в Европе. Команда проекта хотела спроектировать и создать 3D-модель для модернизированной дороги. Чтобы завершить этот проект, команда нуждалась в модели без деревьев по обе стороны дороги, поскольку они планировали расширить дорогу, чтобы добавить больше полос движения. Члены команды также хотели создать новый окружающий ландшафт, поэтому им нужно было удалить деревья, чтобы лучше визуализировать свои варианты. Их команда предоставила набор данных для исследовательской группы, которая сначала классифицировала деревья по обе стороны дороги, а затем удалила их. Обычно пользователи должны заходить в программу и вручную удалять все деревья. Этот трудоемкий процесс был устранен с помощью моделирования реальности.

Skand Pty Ltd также недавно использовала этот тип модели для своего проекта в Королевском технологическом институте Мельбурна (RMIT). Расположенный в Мельбурне, штат Виктория, Австралия, университет хотел интегрировать изображения и анализ беспилотников в свою отмеченную наградами программу жизненного цикла активов, рассчитанную на сорок лет. Начиная с университетского кампуса в Брансуике, Сканд использовал беспилотный аппарат для захвата изображений с участка в 65 000 метров. Затем команда проекта использовала веб-программу для включения информации в существующую сводку о проверке проекта ограждающих конструкций здания RMIT, превращая 2D-изображения в значимые наборы данных, сопоставленные с 3D-моделью реальности. Программа также использовала компьютерное зрение и машинное обучение для выявления и классификации дефектов, таких как трещины, мох, водоросли, гнезда птиц и другие формы коррозии и разрушения строительных материалов. Skand не только хотел предоставить платформу для интеграции изображений дронов в программу жизненного цикла активов RMIT, но и обеспечить превосходное качество моделей и картирование дефектов для лучшего планирования обслуживания активов. Объединяя приложения машинного обучения и моделирования реальности с трехмерной визуализацией и отчетностью в единый сервис, Skand создал экономически эффективную интеграцию изображений и анализа беспилотников с программой жизненного цикла активов RMIT. Конечными результатами были повышение безопасности, поскольку пользователи могли проводить осмотр крыши и фасада без необходимости покидать землю, а также сокращение времени, так как работы проводились с использованием компьютеров. Решение также сохранило значительную ценность, поскольку решение Skand примерно на 60 процентов дешевле, чем традиционные методы контроля. но также обеспечивают превосходное качество модели и отображение дефектов для лучшего планирования обслуживания активов. Объединяя приложения машинного обучения и моделирования реальности с трехмерной визуализацией и отчетностью в единый сервис, Skand создал экономически эффективную интеграцию изображений и анализа беспилотников с программой жизненного цикла активов RMIT. Конечными результатами были повышение безопасности, поскольку пользователи могли проводить осмотр крыши и фасада без необходимости покидать землю, а также сокращение времени, так как работы проводились с использованием компьютеров. Решение также сохранило значительную ценность, поскольку решение Skand примерно на 60 процентов дешевле, чем традиционные методы контроля. но также обеспечивают превосходное качество модели и отображение дефектов для лучшего планирования обслуживания активов. Объединяя приложения машинного обучения и моделирования реальности с трехмерной визуализацией и отчетностью в единый сервис, Skand создал экономически эффективную интеграцию изображений и анализа беспилотников с программой жизненного цикла активов RMIT. Конечными результатами были повышение безопасности, поскольку пользователи могли проводить осмотр крыши и фасада без необходимости покидать землю, а также сокращение времени, так как работы проводились с использованием компьютеров. Решение также сохранило значительную ценность, поскольку решение Skand примерно на 60 процентов дешевле, чем традиционные методы контроля. Объединяя приложения машинного обучения и моделирования реальности с трехмерной визуализацией и отчетностью в единый сервис, Skand создал экономически эффективную интеграцию изображений и анализа беспилотников с программой жизненного цикла активов RMIT. Конечными результатами были повышение безопасности, поскольку пользователи могли проводить осмотр крыши и фасада без необходимости покидать землю, а также сокращение времени, так как работы проводились с использованием компьютеров. Решение также сохранило значительную ценность, поскольку решение Skand примерно на 60 процентов дешевле, чем традиционные методы контроля. Объединяя приложения машинного обучения и моделирования реальности с трехмерной визуализацией и отчетностью в единый сервис, Skand создал экономически эффективную интеграцию изображений и анализа беспилотников с программой жизненного цикла активов RMIT. Конечными результатами были повышение безопасности, поскольку пользователи могли проводить осмотр крыши и фасада без необходимости покидать землю, а также сокращение времени, так как работы проводились с использованием компьютеров. Решение также сохранило значительную ценность, поскольку решение Skand примерно на 60 процентов дешевле, чем традиционные методы контроля.

Бесконечные возможности

Существует много способов, с помощью которых отрасль инфраструктуры может применять компьютерное зрение или ИИ в целом, чтобы обеспечить дальнейшее развитие отрасли. Одно из них — приложения для моделирования реальности и их способность классифицировать изображения в сетках реальности. Индустрия хочет в конечном итоге использовать нейросети, которые уже изучили объекты из других изображений. Исследователи хотят, чтобы пользователи могли выбирать объекты на своих изображениях, чтобы приложение для моделирования реальности изучало объекты и автоматически обнаруживало их в будущем.

Еще один способ, с помощью которого ИИ может помочь отрасли, — это использовать ее для продвижения самих приложений для моделирования реальности. ИИ может улучшить как технологию, так и опыт пользователя. Также достигнут прогресс в том, как эту технологию можно использовать для максимизации ценности моделирования реальности и повышения производительности. Недавно Bentley объявила о своей программе раннего доступа для ContextCapture Insights- решение для моделирования реальности, которое автоматически обнаруживает и обнаруживает объекты с использованием технологии трехмерного машинного обучения. Он обеспечивает автоматизацию, помогающую сократить время и затраты, связанные с анализом реальных условий на основе данных реальности. Создавая 3D-модели, пользователи будут лучше видеть прогресс и конечные цели своего проекта. Использование приложений моделирования реальности для создания моделей ускорит процесс проектирования, сохраняя при этом всех в курсе изменений.

Моделирование реальности с использованием ИИ может быть применено ко многим различным областям инфраструктуры инфраструктуры и поможет на всех этапах жизненного цикла актива. Поскольку технология продолжает развиваться, становится ясно, что нет предела тому, что может сделать моделирование реальности.

Источник: www.bentley.com/ru/perspectives-and-viewpoints/topics/perspectives/2018/recognition-and-reasoning-artificial-intelligence-going-digital

Back to Top