산 터널 구조의 얼굴을 무료 슬롯하기위한 딥 러닝 적용

Obayashi Corporation (본사 : Tokyo, Minato-Ku; 대통령 : Shiraishi Tatsushi)는 AI 기술 중 하나 인 딥 러닝 (※ 1)을 산악 터널의 깃털을 무료 슬롯했습니다.

NATM (New Austrian Tunneling Method)은 일본의 산 터널 건설의 표준 방법입니다. 이 방법에서, 스프레이 콘크리트 및 잠금 볼트는 주요지지 재료로 사용되며, 발굴 후 적절한 공간을 보장하기 위해 암석 자체의 변형 저항을 효과적으로 활용한다. 지원 작업의 규모는 예비 지질 조사를 기반으로 계획되지만 예비 설문 조사 결과에만 한계가 있으므로 실제 무료 슬롯는 7 가지 항목, 즉 컷 얼굴의 강도, 풍화 간격, 갈라진 간격, 영리한 조건, 봄 볼륨 및 퇴화 수준 및 결과에 따라 검토됩니다.

Obayashi Corporation은 이미지 처리 및 전문가 시스템 (※ 2)과 같은 산악 터널 분야에서 혁신적인 IT 기술을 사용하여 노동을 줄이고 절단기 얼굴의 동작 측정 작업을 개선했습니다. 그러나 실제 건설 현장에서는 이러한 기술이 사용 되더라도 지질 전문가없이 포괄적 인 무료 슬롯를 수행하기가 어려울 수 있으며, 회사 내 전문 부서의 별도의 판단이 필요하기 때문에 무료 슬롯에는 시간과 노력이 필요합니다.

따라서 Obayashi Corporation은 딥 러닝을 활용하여 지질 전문가와 동일한 수준에서 무료 슬롯를 가능하게하는 깃털 무료 슬롯 시스템을 개발하고 있습니다. 이 시스템을 사용하면 커터 및 전문가 무료 슬롯 결과의 학습을 통해 지질 조건을 빠르고 정확하게 무료 슬롯할 수 있으며 지원 자료를보다 적절하게 설치하는 것과 같은 필요한 조치를 수행하여 건설의 안전과 경제를 향상시킵니다.

현재, 우리는 7 가지 무료 슬롯 항목 중 70 개 건설 현장의 무료 슬롯를 기반으로 딥 러닝 학습 데이터를 만들고 있습니다 : 풍화 변경, 갈라진 간격 및 갈라진 상태. 이 시스템은 Mathworks Japan (Mathworks LLC)의 협력으로 개발되었습니다.

개발중인이 시스템의 특징은 다음과 같습니다.

1. 건축 안전 및 경제성을 향상시키기 위해 깃털을 가장 작은 세부 사항으로 즉시 무료 슬롯하십시오
   

   이전에, 절단기의 이미지는 평균 등급을 부여하기 위해 3 개의 영역 위와 왼쪽으로 나뉘어졌지만,이 시스템에서는 이미지 영역이 227 x 227 픽셀로 세분되어 각 개별 영역에 대해 커터를 무료 슬롯할 수 있습니다. 촬영시 픽셀의 수에 따라 무료 슬롯는 5 백만 픽셀의 약 70 개 영역으로, 1 천만 픽셀의 약 130 개 영역으로 나뉩니다. 따라서 컷 얼굴의 변형 또는 붕괴를 처리하기 위해 로컬 조치를 취할 수 있습니다.

   인간이 컷 날개를 비슷하게 무료 슬롯할 때 결과를 생성하는 데 많은 시간이 걸리지만이 시스템을 사용하면 딥 러닝을 사용하여 세부 사항을 즉시 무료 슬롯할 수있어 건설의 안전과 경제성이 향상됩니다.

   

2. 지질학 전문가의 무료 슬롯 결과를 배우면 무료 슬롯 정확도가 향상됩니다.
   

   7 가지 무료 슬롯 항목 중, 우리는 컷 얼굴의 2,147 개의 이미지와 풍화 변경, 갈라진 간격 및 갈라진 상태의 세 가지 항목에 대한 전문가 무료 슬롯 결과를 배웠습니다. 딥 러닝 모델은 신뢰할 수있는 이미지 식별 모델 인 Alexnet (*3)을 사용합니다. 슬릿면의 이미지를 모델을 사용하여 무료 슬롯할 때, 전문가가 결정한 무료 슬롯 결과와 비교 한 정확도 속도는 풍화 된 변경 (4 가지 범주)의 경우 87%, 슬릿 간격 (5 범주)의 경우 69%, 슬릿 상태 (5 범주)의 경우 89%였습니다.