缺陷检测人工智能

工程开发 社区

技能解读

当前原文的自动摘译,尚未人工审校。

概述

该技能实现了基于深度学习的缺陷检测以进行施工质量控制。分析图像和视频以自动识别结构和表面缺陷,对严重程度进行分类并生成检查报告。可检测的缺陷: 混凝土:裂缝、剥落、蜂窝状、风化 钢材:腐蚀、焊接缺陷、变形 砖石:砂浆劣化、位移

快速参考

缺陷类型 · 检测方法 · 典型严重程度 裂纹 · 边缘检测 + CNN · 随宽度变化 剥落 · 物体检测 · 中度至重度腐蚀 · 颜色 + 纹理分析 · 中度至严重蜂窝状 · 物体检测 · 严重

ACI 224R 裂缝宽度指南

宽度 (mm) · 状况 · 暴露 < 0.1 · 可接受 · 任何 0.1 - 0.2 · 可接受 · 干燥 0.2 - 0.4 · 建议维修 · 潮湿 0.4 · 需要维修 · 任何

资源

PyTorch:https://pytorch.org OpenCV:https://opencv.org ACI 224R:混凝土 DDC 中的裂缝控制网站:https://datadrivenconstruction.io

下一步

施工进度分析见progress-monitoring-cv 安全缺陷集成见safety-compliance-checker 基于模型的质量控制见bim-validation-pipeline

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
工程开发
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@datadrivenconstruction · 未声明许可证
上下文用量评级
中等消耗
接入复杂程度
需简单配置
是否需要外部接口密钥
不需要
兼容的系统
未声明(默认跨平台)
运行环境要求
Python
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

输出预览 defect-detection-ai.preview
import torch
import torch.nn as nn
from torchvision import transforms, models
from PIL import Image
from dataclasses import dataclass
from typing import List, Dict, Tuple
from enum import Enum

class DefectType(Enum):
    CRACK = "crack"
    SPALLING = "spalling"
    CORROSION = "corrosion"
    HONEYCOMBING = "honeycombing"
    EFFLORESCENCE = "efflorescence"
    DEFORMATION = "deformation"
    SURFACE_DAMAGE = "surface_damage"
    NO_DEFECT = "no_defect"

class SeverityLevel(Enum):
    MINOR = "minor"
    MODERATE = "moderate"
    SEVERE = "severe"
    CRITICAL = "critical"

@dataclass
class DefectDetection:
    defect_type: DefectType
    confidence: float
    severity: SeverityLevel
    bounding_box: Tuple[int, int, int, int]  # x1, y1, x2, y2
    area_ratio: float  # Defect area as ratio of image

# Simple classifier using pretrained model
class SimpleDefectClassifier:
    def __init__(self, num_classes: int = 8):
        self.model = models.resnet18(pretrained=True)
        self.model.fc = nn.Linear(self.model.fc.in_features, num_classes)
        self.model.eval()

        self.transform = transforms.Compose([
            transforms.Resize((224, 224)),
            transforms.ToTensor(),
            transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])

        self.classes = list(DefectType)

    def predict(self, image_path: str) -> DefectDetection:
        """Classify defect in image"""
        image = Image.open(image_path).convert('RGB')
        input_tensor = self.transform(image).unsqueeze(0)

        with torch.no_grad():
            outputs = self.model(input_tensor)
            probs = torch.softmax(outputs, dim=1)
            confidence, predicted = torch.max(probs, 1)

        defect_type = self.classes[predicted.item()]

        return DefectDetection(
            defect_type=defect_type,
            confidence=confidence.item(),
            severity=self._estimate_severity(confidence.item()),
            bounding_box=(0, 0, image.width, image.height),
            area_ratio=1.0
        )

    def _estimate_severity(self, confidence: float) -> SeverityLevel:
        if confidence > 0.9:
            return SeverityLevel.CRITICAL
        elif confidence > 0.7:
            return SeverityLevel.SEVERE
        elif confidence > 0.5:
            return SeverityLevel.MODERATE
        else:
            return SeverityLevel.MINOR

# Usage
classifier = SimpleDefectClassifier()
# result = classifier.predict("concrete_image.jpg")
# print(f"Defect: {result.defect_type.value}, Confidence: {result.confidence:.2%}")

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。