APPLICATION OF CONVOLUTIONAL NEURAL NETWORKS IN WALL MOISTURE IDENTIFICATION BY EIT METHOD

Grzegorz Kłosowski; Tomasz Rymarczyk

doi:10.35784/iapgos.2883

PDF (angielski)

Opublikowane: 2022-03-31

DOI: https://doi.org/10.35784/iapgos.2883

Numer Tom 12 Nr 1 (2022)

METODY ZAPEWNIENIA BEZPIECZEŃSTWA DANYCH W STANDARDACH MOBILNYCH
Serhii Moroz, Anatolii Tkachuk, Mykola Khvyshchun, Stanislav Prystupa, Mykola Yevsiuk

4-9
HYBRYDOWY SYSTEM NAWIGACJI DO UŻYTKU WEWNĄTRZ POMIESZCZEŃ
Michał Styła, Przemysław Adamkiewicz

10-14
WEWNĘTRZNY SYSTEM LOKALIZACJI Z WYKORZYSTANIEM UWB
Dominik Gnaś, Przemysław Adamkiewicz

15-19
ZASTOSOWANIE KONWOLUCYJNYCH SIECI NEURONOWYCH W IDENTYFIKACJI ZAWILGOCEŃ ŚCIAN BUDYNKÓW METODĄ EIT
Grzegorz Kłosowski, Tomasz Rymarczyk

20-23
ŚWIATŁOWODOWE SKOŚNE SIATKI BRAGGA JAKO CZUJNIKI W POMIARACH WSPÓŁCZYNNIKA ZAŁAMANIA CIECZY
Damian Harasim

24-27
OPTYMALIZACJA PROCESÓW ZARZĄDZANIA BUDYNKAMI KOMERCYJNYMI Z WYKORZYSTANIEM SYSTEMÓW ANALIZY ZACHOWAŃ UŻYTKOWNIKÓW WSPOMAGANYCH INTELIGENCJĄ OBLICZENIOWĄ I RTI
Michał Styła, Przemysław Adamkiewicz

28-35
OPRACOWANIE TECHNOLOGII OSADZANIA I POMIARÓW ZMIĘNNOPRĄDOWYCH ULTRACIENKICH WARSTW MIEDZI
Aleksandra Wilczyńska, Karolina Czarnacka, Andrzej Kociubiński, Tomasz Kołtunowicz

36-39
SIECI NEURONOWE Z KERAS W DIAGNOSTYCE ZMIAN SKÓRNYCH
Magdalena Michalska-Ciekańska

40-43
OKREŚLANIE DŁUGOŚCI ROBOCZEJ KANAŁU KORZENIOWEGO ZA POMOCĄ SEGMENTACJI RADIOGRAFII WEWNĄTRZUSTNEJ
Oleksii Perepelytsia, Tetyana Nosova

44-46

Archiwum

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

Authors

Grzegorz Kłosowski

g.klosowski@pollub.pl

Politechnika lubelska, Wydział Zarządzania

https://orcid.org/0000-0001-7927-3674 ##orcid.unauthenticated##

Tomasz Rymarczyk

tomasz.rymarczyk@netrix.com.pl

Wyższa Szkoła Ekonomii i Innowacji

https://orcid.org/0000-0002-3524-9151 ##orcid.unauthenticated##

Abstrakt

W artykule przedstawiono rezultaty badań w obszarze wykorzystania głębokich sieci neuronowych do identyfikacji zawilgoceń wewnątrz ścian budynków przy użyciu elektrycznej tomografii impedancyjnej. Do przekształcenia pomiarów wejściowych na obrazy przedstawiające zawilgocone miejsca użyto dwóch rodzajów głębokich sieci neuronowych – konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci typu LSTM. Po wytrenowaniu obu modeli dokonano oceny porównawczej uzyskanych dzięki nim rezultatów. Wnioski wskazują na dużą utylitarność obu modeli w badanej problematyce, jednak nieco lepsze rezultaty uzyskano dzięki metodzie LSTM.

Słowa kluczowe:

uczenie maszynowe, głębokie uczenie, tomografia impedancyjna, wykrywanie wilgoci w ścianach

Bibliografia

Fabijańska A., Banasiak R.: Graph Convolutional Networks for Enhanced Resolution 3D Electrical Capacitance Tomography Image Reconstruction. Applied Soft Computing 110, 2021, 107608, [http://doi.org/10.1016/J.ASOC.2021.107608].

Hola A.: Measuring of the Moisture Content in Brick Walls of Historical Buildings-the Overview of Methods. IOP Conference Series: Materials Science and Engineering 251(1), 2017, [http://doi.org/10.1088/1757-899X/251/1/012067].

Kłosowski G. et al.: Quality Assessment of the Neural Algorithms on the Example of EIT-UST Hybrid Tomography. Sensors 20(11), 2020, [http://doi.org/10.3390/s20113324].

Kłosowski G. et al.: The Concept of Using Lstm to Detect Moisture in Brick Walls by Means of Electrical Impedance Tomography. Energies 14(22), 2021, [http://doi.org/10.3390/en14227617].

Litti G. et al.: Hygrothermal Performance Evaluation of Traditional Brick Masonry in Historic Buildings. Energy and Buildings 105, 2015, 393–411, [http://doi.org/10.1016/j.enbuild.2015.07.049].

Porzuczek J.: Assessment of the Spatial Distribution of Moisture Content in Granular Material Using Electrical Impedance Tomography. Sensors 19(12), 2019, 2807, [http://doi.org/10.3390/s19122807].

Romanowski A. et al.: X-Ray Imaging Analysis of Silo Flow Parameters Based on Trace Particles Using Targeted Crowdsourcing. Sensors 19(15), 2019, 3317, [http://doi.org/10.3390/s19153317].

Rymarczyk T. et al.: Area Monitoring Using the ERT Method with Multisensor Electrodes. Przegląd Elektrotechniczny 95(1), 2019, [http://doi.org/10.15199/48.2019.01.39].

Rymarczyk T., Adamkiewicz P.: Nondestructive Method to Determine Moisture Area in Historical Building. Informatics Control Measurement in Economy and Environment Protection 7(1), 2017, [http://doi.org/10.5604/01.3001.0010.4586].

ZASTOSOWANIE KONWOLUCYJNYCH SIECI NEURONOWYCH W IDENTYFIKACJI ZAWILGOCEŃ ŚCIAN BUDYNKÓW METODĄ EIT. (2022). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 12(1), 20-23. https://doi.org/10.35784/iapgos.2883

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 12 Nr 1 (2022)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja