Виявлення прихованої вологості у стінах будівель важливе завдання для діагностики споруд, особливо в умовах України, де значна частина житлового фонду та історичних об’єктів піддається впливу атмосферної вологи, опадів та значної зміни температур. Надмірна вологість призводить до утворення цвілі, тріщин, відшарування штукатурки та корозії армованих елементів, що знижує довговічність будівель та збільшує витрати на ремонт. Традиційні методи контролю вологості (контактні датчики, зондаж, лабораторні аналізи) часто є трудомісткими, локальними та інколи руйнівними для конструкцій. У зв’язку з цим зростає актуальність застосування тепловізійних методів разом із алгоритмами глибинного навчання, які дозволяють виконувати неруйнівне виявлення вологості, автоматизувати аналіз та зменшити залежність від людського фактору. Термографія виявляє ділянки з підвищеною вологістю за рахунок змін теплового профілю стіни, що чітко фіксується в інфрачервоному діапазоні.
Мета роботи: визначити сучасні підходи до застосування нейронних мереж для автоматичного виявлення та класифікації вологості стін за тепловізійними зображеннями.
Для досягнення мети проведено дослідження відомих науково- прикладних робіт в області Виявлення та класифікація вологості стін будівель за допомогою тепловізійних зображень.
Так, у статті [1] автори запропонували систему автоматичного визначення областей вологості на стінах історичних споруд за допомогою двох згорткових нейронних мереж. Дослідження виконано на основі зображень цегляних стін конфуціанського храму в Тайнані (Тайвань), оздоблених вапняною штукатуркою з червоними пігментами. У роботі підкреслюється, що традиційна інтерпретація інфрачервоних знімків потребує значного досвіду та часу, тому автоматизація є важливим кроком для підвищення ефективності реставраційних робіт. Автори виконали попередню обробку RGB та ІЧ-зображень, включаючи нормалізацію, маскування фону, точне вирівнювання та сегментацію поверхні на дрібні фрагменти, що покращило точність класифікації. Дві окремі CNN були навчені на різні завдання: перша – для ідентифікації структурних особливостей стіни; друга – для визначення зон низької температури, що відповідають підвищеній вологості. Запропонована модель досягла точності 91,18%, що на 24,05% вище за традиційні методи, та забезпечила час обробки одного зображення приблизно 3 секунди, що скоротило загальний час аналізу на 99,92% відносно ручної оцінки.
У роботі [2] запропоновано систему для автоматичного виявлення рідин та протікань на поверхнях за допомогою одночасного аналізу RGB та тепловізійних зображень. Автори зібрали понад 4000 зображень з різними типами рідин і поверхонь та виконали масштабну аугментацію, що підвищило узагальнювальну здатність моделей. Було протестовано декілька моделей transfer learning (VGG19, ResNet, EfficientNet, NasNetMobile та MobileNetV2). Система функціонувала у три етапи: захоплення RGB та thermal кадрів; окрема обробка кожного типу зображень CNN; об’єднання результатів для прийняття рішення. Автори зазначили, що тепловізійні дані дають стабільні результати за будь-якого освітлення, і саме вони забезпечили точність близько 99% у лабораторних умовах та понад 95% у реальних приміщеннях. Час обробки одного кадру складав 44–55 мс, що дозволяє працювати у режимі реального часу. Хоча дослідження орієнтоване на рідини на поверхнях, його результати повністю релевантні до задачі визначення вологості в стінах, оскільки методи засновані на аналізі теплових аномалій, притаманних і для будівельних конструкцій.
Робота [3] присвячена дослідженню можливостей при автоматизованому виявленні будівельних дефектів, включаючи тріщини, мох, корозію, забруднення та інші пошкодження, які часто є наслідком або проявом надмірної вологості. Було використано датасет із 900 зображень, класифікованих за шістьма типами пошкоджень. Метод поєднував YOLOv5 для швидкого визначення об’єктів та Swin Transformer для високоточної сегментації на рівні пікселів. Порівняння з CNN-архітектурами DANet, PSPNet та SegFormer показало перевагу трансформерів – модель досягла mAcc = 95,78% та mIoU = 90,96%. З огляду на те, що вологість часто спричиняє супутні дефекти (тріщини, біологічні нашарування, руйнування матеріалу), така сегментація є корисною у комплексній діагностиці стану стін. Трансформерні моделі демонструють високу точність на складних текстурах і можуть бути адаптовані до аналізу тепловізійних даних для локалізації вологих ділянок.
В [4] автори досліджували застосування transfer learning в задачах аналізу тепловізійних відеопотоків, об’єктного детектування та сегментації для автоматизації будівельного моніторингу. У роботі доведено, що використання попередньо натренованих моделей значно скорочує вимоги до розмірів датасету, робить систему більш точною та стійкою до змін освітлення, текстури поверхонь і шумів. Архітектури, продемонстровані у дослідженні, можуть бути використані для оцінки стану будівельних конструкцій та, відповідно, для визначення зон підвищеної вологості на стінах. Автори підкреслюють ефективність поєднання RGB та тепловізійних даних, що підвищує точність і стабільність моделей – характеристика, критично важлива для практичних систем контролю вологості.
Висновки
Аналіз сучасних досліджень показує, що застосування тепловізійних зображень у поєднанні з глибинними нейронними мережами є перспективним напрямом для автоматичного виявлення та класифікації вологості стін. CNN та трансформери забезпечують високу точність (понад 90%), можливість роботи в реальному часі, зменшення людського фактору та неруйнівний характер діагностики.
Список використаних джерел
1. Barreira, E., Almeida, R.M.S.F. Automated Wall Moisture Detection in Heritage Sites Based on Convolutional Neural Network (CNN) for Infrared Imagery. Applied Sciences, 2025. MDPI. https://www.mdpi.com/2076-3417/15/12/6495?
2. Mujadded Al Rabbani Alif. Detecting spills using thermal imaging, pretrained deep learning models, and a robotic platform. arXiv:2510.08770 [cs.CV], 2025. https://arxiv.org/pdf/2510.08770
3. Fu, X., Angkawisittpan, N. Detecting surface defects of heritage buildings based on deep learning. Journal of Intelligent Systems, 2024.
4. Li, J., Zhao, X., Kong, L. Construction Activity Recognition Based on Object Detection and Person Re-Identification. Buildings, 2024.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter