ZASTOSOWANIE KONWOLUCYJNYCH SIECI NEURONOWYCH W IDENTYFIKACJI ZAWILGOCEŃ ŚCIAN BUDYNKÓW METODĄ EIT

Grzegorz Kłosowski

g.klosowski@pollub.pl
Politechnika lubelska, Wydział Zarządzania (Polska)
https://orcid.org/0000-0001-7927-3674

Tomasz Rymarczyk


Wyższa Szkoła Ekonomii i Innowacji (Polska)
https://orcid.org/0000-0002-3524-9151

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

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].
DOI: https://doi.org/10.1016/j.asoc.2021.107608   Google Scholar

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].
DOI: https://doi.org/10.1088/1757-899X/251/1/012067   Google Scholar

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].
DOI: https://doi.org/10.3390/s20113324   Google Scholar

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].
DOI: https://doi.org/10.3390/en14227617   Google Scholar

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].
DOI: https://doi.org/10.1016/j.enbuild.2015.07.049   Google Scholar

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].
DOI: https://doi.org/10.3390/s19122807   Google Scholar

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].
DOI: https://doi.org/10.3390/s19153317   Google Scholar

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].
DOI: https://doi.org/10.15199/48.2019.01.39   Google Scholar

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].
DOI: https://doi.org/10.5604/01.3001.0010.4586   Google Scholar


Opublikowane
2022-03-31

Cited By / Share

Kłosowski, G., & Rymarczyk, T. (2022). ZASTOSOWANIE KONWOLUCYJNYCH SIECI NEURONOWYCH W IDENTYFIKACJI ZAWILGOCEŃ ŚCIAN BUDYNKÓW METODĄ EIT. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 12(1), 20–23. https://doi.org/10.35784/iapgos.2883

Autorzy

Grzegorz Kłosowski 
g.klosowski@pollub.pl
Politechnika lubelska, Wydział Zarządzania Polska
https://orcid.org/0000-0001-7927-3674

Autorzy

Tomasz Rymarczyk 

Wyższa Szkoła Ekonomii i Innowacji Polska
https://orcid.org/0000-0002-3524-9151

Statystyki

Abstract views: 285
PDF downloads: 193


Inne teksty tego samego autora

1 2 3 4 > >>