SHM-Traffic: DRL and Transfer learning based UAV Control for Structural Health Monitoring of Bridges with Traffic

要約

この研究は、交通のある橋の構造健全性モニタリング (SHM) のための高度な技術の使用に焦点を当てています。
深層強化学習 (DRL) ベースの無人航空機 (UAV) 制御を使用するアプローチを提案します。
当社のアプローチでは、交通が継続している間にコンクリート橋床版調査を実施し、亀裂を検出します。
UAV が亀裂の検出を実行しますが、亀裂の位置は最初は不明です。
2 つのエッジ検出手法を使用します。
まず、亀裂の検出にキャニー エッジ検出を使用します。
また、亀裂検出に畳み込みニューラル ネットワーク (CNN) を使用し、それを鋭いエッジ検出と比較します。
転移学習は、亀裂画像データセットから取得された事前トレーニング済みの重みを備えた CNN を使用して適用されます。
これにより、亀裂の特定と位置特定においてモデルが適応し、そのパフォーマンスを向上させることができます。
近接ポリシー最適化 (PPO) は、UAV 制御と橋梁調査に適用されます。
提案された方法論のパフォーマンスを評価するために、さまざまなシナリオにわたる実験が実行されます。
タスクの完了時間や報酬の収束などの主要な指標を観察して、アプローチの有効性を評価します。
Canny エッジ検出器はタスク完了時間が最大 40\% 短いのに対し、CNN は最大 12\% 優れた損傷検出と 1.8 倍の報酬で優れていることがわかります。

要約(オリジナル)

This work focuses on using advanced techniques for structural health monitoring (SHM) for bridges with Traffic. We propose an approach using deep reinforcement learning (DRL)-based control for Unmanned Aerial Vehicle (UAV). Our approach conducts a concrete bridge deck survey while traffic is ongoing and detects cracks. The UAV performs the crack detection, and the location of cracks is initially unknown. We use two edge detection techniques. First, we use canny edge detection for crack detection. We also use a Convolutional Neural Network (CNN) for crack detection and compare it with canny edge detection. Transfer learning is applied using CNN with pre-trained weights obtained from a crack image dataset. This enables the model to adapt and improve its performance in identifying and localizing cracks. Proximal Policy Optimization (PPO) is applied for UAV control and bridge surveys. The experimentation across various scenarios is performed to evaluate the performance of the proposed methodology. Key metrics such as task completion time and reward convergence are observed to gauge the effectiveness of the approach. We observe that the Canny edge detector offers up to 40\% lower task completion time, while the CNN excels in up to 12\% better damage detection and 1.8 times better rewards.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google