Utilizzare l’AI per il rilevamento e la segmentazione delle crepe

Quando guardi una crepa su una superficie, può sembrare un problema di poco conto, ma è un buon indicatore precoce di gravi danni strutturali. Per esempio, i ponti vengono ispezionati regolarmente per individuare le crepe, che rappresentano il 90% di tutti i danni ai ponti ogni anno. Tradizionalmente, l'ispezione delle crepe viene eseguita manualmente e può richiedere molto tempo. L'intelligenza artificiale (AI) può intervenire per semplificare il rilevamento delle crepe.

Oltre che per i ponti, il rilevamento delle crepe tramite deep learning è utile in molti contesti industriali. Aiuta a garantire l'integrità degli edifici nell'edilizia, previene costosi tempi di inattività nella produzione e rende le ispezioni di strade e pavimentazioni più sicure ed efficaci. In questo articolo analizzeremo più da vicino come puoi usare l'AI e i modelli di computer vision come Ultralytics YOLOv8 per rilevare e segmentare le crepe in modo molto più rapido e semplice rispetto ai metodi tradizionali.

Che cos'è la segmentazione delle crepe?#

Prima di approfondire la segmentazione delle crepe, cerchiamo di capire che cos'è la segmentazione. La segmentazione è un'attività di computer vision che consiste nel suddividere un'immagine in diverse regioni o segmenti. L'obiettivo è semplificare l'immagine e renderla più facile da analizzare. La segmentazione offre una comprensione a livello di pixel, mentre attività come il rilevamento degli oggetti usano i riquadri di delimitazione per identificare e localizzare gli oggetti.

Esistono diversi tipi di tecniche di segmentazione:

• Segmentazione semantica: consiste nell'assegnare a ogni pixel di un'immagine una classe specifica, come "strada", "edificio" o "albero". Tutti i pixel della stessa classe vengono trattati come un'unica entità.
• Segmentazione delle istanze: a differenza della segmentazione semantica, distingue tra istanze separate della stessa classe, come le diverse automobili presenti in un'immagine.
• Segmentazione panottica: combina gli approcci della segmentazione semantica e della segmentazione delle istanze per offrire una comprensione dettagliata della categorizzazione a livello di pixel e delle singole istanze degli oggetti in un'immagine.

Fig. 1 Differenze tra le tecniche di segmentazione: immagine originale (G), segmentazione semantica (H), segmentazione delle istanze (I) e segmentazione panottica (J).

Per quanto riguarda il rilevamento delle crepe, la segmentazione delle istanze è un'ottima scelta. Segmentando in modo univoco ogni crepa, possiamo identificarle e analizzarle singolarmente. Per esempio, possiamo calcolare l'area di una crepa contando il numero di pixel che occupa nell'immagine.

Come funziona la segmentazione delle crepe#

Il primo passaggio per implementare la segmentazione delle crepe consiste nel valutare la configurazione della fotocamera più adatta, che può variare a seconda dell'applicazione. Se stai ispezionando una struttura di grandi dimensioni, come un edificio, l'uso di droni potrebbe essere l'approccio migliore per acquisire immagini ad alta risoluzione da diverse angolazioni. Se invece stai ispezionando lamiere dopo la produzione, potrebbe essere preferibile usare fotocamere fisse ad alta risoluzione, posizionate strategicamente per acquisire immagini dettagliate delle superfici.

Dopo aver definito la configurazione della fotocamera, puoi addestrare un modello di computer vision che supporti la segmentazione delle istanze, come YOLOv8. Il Roboflow Universe Crack Segmentation Dataset contiene immagini annotate di crepe e può essere usato per addestrare il tuo modello. Puoi anche creare il tuo dataset acquisendo e annotando immagini di crepe specifiche per la tua applicazione.

Il modello impara a segmentare le crepe tramite l'apprendimento supervisionato. Durante l'addestramento, riceve immagini ed etichette che indicano dove si trovano le crepe. Il modello regola i propri parametri interni per ridurre al minimo la differenza tra le sue previsioni e le etichette effettive. Dopo l'addestramento, può essere usato per analizzare nuove immagini e segmentare in modo univoco ogni crepa.

Fig. 2. Utilizzo di Ultralytics YOLOv8 per la segmentazione delle crepe.

Applicazioni industriali della segmentazione delle crepe#

Il rilevamento e la segmentazione delle crepe sono estremamente utili in diverse applicazioni industriali, dalla manutenzione delle infrastrutture al controllo qualità nella produzione. Identificando e analizzando accuratamente le crepe, queste tecniche contribuiscono a promuovere sicurezza, durata e qualità in molti settori. Vediamo alcuni esempi.

Mantenimento della qualità di strade e pavimentazioni#

Le crepe sulle strade sono un problema comune causato dalle condizioni meteorologiche, dal traffico intenso e dalla normale usura. Le variazioni di temperatura possono causare l'espansione e la contrazione della pavimentazione, provocando crepe. I veicoli pesanti aggiungono sollecitazioni alla superficie stradale, mentre l'acqua che penetra nelle piccole crepe può allargarle e approfondirle nel tempo. Queste crepe possono causare usura prematura, cedimenti strutturali e un maggiore pericolo per le persone che percorrono la strada. Il rilevamento precoce tramite la segmentazione delle crepe può contribuire a ottimizzare la manutenzione stradale.

Fig. 3. Una crepa su una strada. Fonte dell'immagine: Envato Elements.

Le crepe rilevate e segmentate tramite la computer vision possono essere classificate in livelli di gravità basso, medio e alto in base alle loro dimensioni. Classificare le crepe aiuta i team di manutenzione a stabilire le priorità. Per esempio, le crepe ad alta gravità possono essere affrontate per prime per prevenire cedimenti critici e migliorare la sicurezza stradale, mentre quelle a gravità media e bassa possono essere programmate per interventi successivi e controlli di routine. In questo modo, il team di manutenzione può ottimizzare l'uso delle risorse, ridurre i costi di manutenzione e minimizzare le interruzioni per gli utenti della strada.

Ispezione e monitoraggio strutturale#

Il rilevamento delle crepe può essere usato anche per mantenere la qualità e la sicurezza degli edifici e di altre strutture. Come le strade, gli edifici possono sviluppare crepe a causa dei cambiamenti meteorologici, della fatica dei materiali e della normale usura. Anche i macchinari pesanti utilizzati durante la costruzione possono sottoporre le strutture a ulteriori sollecitazioni, causando altre crepe.

Fig. 4 Utilizzo di un telefono cellulare per scattare foto destinate alla segmentazione delle crepe.

Identificando e affrontando accuratamente le crepe, è possibile prolungare significativamente la durata degli edifici e delle strutture. I dati raccolti dai sistemi di rilevamento delle crepe possono inoltre essere usati per migliorare gli standard e le normative edilizie. Analizzando i modelli e le cause delle crepe in diversi progetti, gli esperti del settore possono sviluppare pratiche e materiali da costruzione migliori.

Rilevamento delle crepe nel settore del petrolio e del gas#

Nel settore del petrolio e del gas, il rilevamento delle crepe è essenziale per mantenere la sicurezza e l'affidabilità di oleodotti e gasdotti, serbatoi di stoccaggio e altre infrastrutture fondamentali. Le condutture spesso si estendono per lunghe distanze e sono sottoposte a condizioni ambientali difficili, che possono causare variazioni di pressione e fatica dei materiali, provocando crepe. Tradizionalmente, il rilevamento delle crepe viene eseguito usando strumenti per l'ispezione delle condutture (pigs), test a ultrasuoni e radiografia. Se queste crepe non vengono rilevate e riparate tempestivamente, possono causare problemi gravi come perdite ed esplosioni. Le crepe in questo settore rappresentano un enorme rischio per l'ambiente e per le persone.

Fig. 5. Operai che ispezionano serbatoi di gas su un treno. Fonte dell'immagine: Envato Elements

La segmentazione delle crepe tramite computer vision consente il monitoraggio continuo delle condizioni delle condutture. Identificando tempestivamente le crepe, i team di manutenzione possono effettuare riparazioni puntuali e prevenire potenziali disastri.

Ispezione automatizzata dei componenti di produzione#

L'ispezione automatizzata tramite la segmentazione delle crepe sta trasformando il controllo qualità nella produzione. In precedenza, il rilevamento delle crepe veniva eseguito tramite controlli visivi, ispezioni con liquidi penetranti e controlli con particelle magnetiche. Integrando sistemi avanzati di imaging e computer vision nella linea di produzione, i produttori possono rilevare immediatamente anche le crepe e i difetti più piccoli nei componenti, subito dopo la loro realizzazione. Ogni componente può essere controllato e verificato rispetto a standard qualitativi elevati prima di arrivare ai clienti.

L'ispezione automatizzata migliora accuratezza ed efficienza, fornendo feedback in tempo reale affinché i team di produzione possano risolvere rapidamente eventuali problemi. Ciò consente di ridurre i costi, diminuendo la necessità di ispezioni manuali e prevenendo costosi richiami. Inoltre, questi sistemi raccolgono dati preziosi sui difetti, aiutando a identificare i modelli e a migliorare i processi produttivi, con il risultato di ottenere prodotti più sicuri e affidabili.

Fig. 6 Rilevamento delle crepe nei componenti metallici.

Vantaggi e svantaggi della segmentazione delle crepe#

Il rilevamento delle crepe tramite deep learning offre numerosi vantaggi, tra cui una maggiore sicurezza e decisioni basate sui dati. Esploriamo alcuni degli altri vantaggi dell'utilizzo del rilevamento delle crepe negli ambienti industriali:

• Pratiche sostenibili: favorisce pratiche sostenibili di costruzione e manutenzione riducendo la necessità di riparazioni e sostituzioni estese e consentendo di risparmiare materiali e risorse.
• Riduzione delle interruzioni: programmare le riparazioni delle crepe meno gravi durante la manutenzione ordinaria aiuta a evitare grandi interruzioni delle operazioni e dell'utilizzo.
• Conformità alle normative: aiuta a soddisfare gli standard di settore e i requisiti normativi garantendo l'ispezione e la manutenzione regolari delle infrastrutture.

Nonostante i suoi vantaggi, la segmentazione delle crepe presenta anche alcuni svantaggi. Gli elevati costi iniziali dell'infrastruttura possono essere preoccupanti per le organizzazioni più piccole, mentre la complessità del sistema richiede formazione e manutenzione continue. Ecco alcuni degli altri svantaggi dell'utilizzo della segmentazione delle crepe nelle applicazioni industriali:

• Falsi positivi e falsi negativi: può identificare erroneamente le crepe o non rilevarle, causando riparazioni non necessarie o mancate.
• Problemi di gestione dei dati: genera grandi quantità di dati che richiedono strumenti solidi di archiviazione e analisi.
• Fattori ambientali: condizioni esterne, come condizioni meteorologiche estreme o umidità elevata, possono influire sull'accuratezza e sull'affidabilità dei sistemi di segmentazione delle crepe.
• Integrazione con i sistemi esistenti: integrare la tecnologia di rilevamento delle crepe con le infrastrutture e i sistemi esistenti può essere difficile e può richiedere ulteriori modifiche o aggiornamenti.

Punti chiave#

La segmentazione e il rilevamento delle crepe possono svolgere un ruolo fondamentale nel mantenere sicure e durevoli le nostre infrastrutture industriali. Utilizzando tecnologie avanzate come il deep learning e la computer vision, possiamo individuare precocemente i problemi strutturali e risolverli prima che diventino problemi significativi. Questo approccio proattivo fa risparmiare tempo e denaro, garantendo al contempo il rispetto degli standard di sicurezza e normativi. Inoltre, supporta pratiche sostenibili riducendo al minimo la necessità di riparazioni estese. Nonostante alcune difficoltà, come gli elevati costi iniziali e la complessità, i vantaggi della segmentazione delle crepe in diversi settori la rendono uno strumento prezioso per mantenere e migliorare la qualità delle infrastrutture.

Per saperne di più sull'IA, visita il nostro repository GitHub e partecipa alla nostra community. Esplora le applicazioni dell'IA nella produzione e nell'agricoltura nelle nostre pagine dedicate alle soluzioni. 🚀