بینایی ماشین (CV)، حوزهای از هوش مصنوعی است که به رایانهها امکان استخراج، تحلیل و درک اطلاعات از تصاویر و ویدئوهای رقمی را میدهد. در مهندسی زلزله، بهطور فزایندهای برای تشخیص خودکار ترک، ارزیابی خسارت پس از زلزله و شناسایی اجزای سازهای به کار میرود.
بینایی ماشین (CV)، حوزهای از هوش مصنوعی است که روشهایی برای کسب، پردازش، تحلیل و درک تصاویر و ویدئوهای رقمی توسعه میدهد. هدف، توانمندسازی ماشینها برای تفسیر اطلاعات بصری بهشکلی است که ادراک انسانی را شبیهسازی کند — تشخیص اشیاء، شناسایی الگوها، اندازهگیری ابعاد و استنتاج ساختار سهبعدی از تصاویر دوبعدی. این حوزه تکنیکهایی از پردازش تصویر، تشخیص الگو، یادگیری ماشین و هندسه را ترکیب میکند و در دهه گذشته بهطور چشمگیری توسط یادگیری عمیق — بهویژه شبکههای عصبی کانولوشنی (CNN) که میتوانند ویژگیهای سلسلهمراتبی را مستقیماً از داده تصویر یاد بگیرند — دگرگون شده است.
بینایی ماشین بهطور فزایندهای در مهندسی زلزله به کار میرود؛ جایی که بازرسی بصری کند، گران یا خطرناک است. کاربردهای اصلی در چند دسته قرار میگیرند. تشخیص و کمّیسازی ترک در سازههای بتنی و بنایی از پردازش تصویر و یادگیری عمیق برای شناسایی ترکها، اندازهگیری عرض و طول آنها و ردیابی تحولشان در طول زمان استفاده میکند — جایگزین یا مکمل بازرسی دستی. طبقهبندی خسارت پس از زلزله از تصاویر ماهوارهای، هوایی یا پهپادی برای طبقهبندی ساختمانها به حالتهای خسارت (بدون خسارت، جزئی، متوسط، گسترده، فروریزش) در سراسر مناطق وسیع استفاده میکند و ارزیابی سریع وضعیت را ممکن میسازد. شناسایی اجزای سازهای از بینایی ماشین برای شناسایی ستونها، تیرها، دیوارها و سایر عناصر سازهای از تصاویر یا ابر نقاط استفاده میکند و مستندسازی ساختهشده و ایجاد دوقلوی رقمی را پشتیبانی میکند. پایش جابهجایی سازه از فتوگرامتری یا ردیابی مبتنی بر ویدئو برای اندازهگیری جابهجایی سازهها تحت بارگذاری زلزله یا باد بدون تماس استفاده میکند — جایگزینی برای حسگرهای سنتی. بازرسی مبتنی بر پهپاد از پهپادهای مجهز به دوربین و بینایی ماشین برای بازرسی پلها، سدها و ساختمانهای بلند که دسترسی به آنها دشوار است استفاده میکند. فتوگرامتری و بازسازی سهبعدی مدلهای سهبعدی سازهها را از تصاویر متعدد ایجاد میکند و ارزیابی وضعیت و تولید مدل اجزای محدود را پشتیبانی میکند.
بینایی ماشین در مهندسی زلزله بهسرعت در حال تحول است و بهطور فزایندهای با پایش سلامت سازه و پاسخ پس از فاجعه یکپارچه میشود. چالشهای فنی اصلی شامل: (۱) تنوع در روشنایی، زاویه و کیفیت تصویر که بر دقت تشخیص اثر میگذارد؛ (۲) نیاز به مجموعههای داده بزرگ و برچسبدار — چالشی پیوسته برای تشخیص خسارت، جایی که تصاویر سازههای آسیبدیده کمتر از تصاویر سازههای سالم رایج است؛ (۳) قابلیت انتقال مدلها در سراسر سازهها، مصالح و رویههای ساخت منطقهای مختلف؛ (۴) شکاف میان تشخیص خسارت در سطح پیکسل و ارزیابی خسارت در سطح مهندسی (مثلاً مرتبط کردن عرض ترک با ظرفیت سازه)؛ (۵) استقرار زمان واقعی برای ارزیابی سریع پس از زلزله که نیازمند الگوریتمهای سریع و سختافزار میدانی قابل اعتماد است. پژوهش مدرن بهطور فزایندهای بینایی ماشین را با سایر مودالیتههای حسگری — تصویربرداری حرارتی، LiDAR و پایش سازه — ترکیب میکند تا اطلاعات کاملتری فراهم آورد. رویکردهای یادگیری عمیق بر پژوهش کنونی غالباند، با معماریهایی شامل CNN برای طبقهبندی و تشخیص، U-Net و Mask R-CNN برای بخشبندی معنایی و نمونهای، و ترنسفورمرهای بینایی برای وظایف پیچیدهتر. در ایران، پژوهش بینایی ماشین برای مهندسی زلزله بهسرعت در حال رشد است با کاربردها در تشخیص ترک از تصاویر، طبقهبندی خسارت از دادههای پهپادی و ماهوارهای و پایش جابهجایی. توانمندیهای رو به رشد پهپاد ایران و در دسترس بودن تصاویر ماهوارهای با تفکیکپذیری بالا، CV را بهویژه برای ارزیابی پس از زلزله در مقیاس بزرگ امیدبخش میسازد.