Farida Asriani, Gandjar Pamudji, Hesti Susilawati, Firdauz Tri Anggoro
{"title":"Aplikasi Convolutional Neural Networks (CNN) Untuk Klasifikasi Retakan Beton","authors":"Farida Asriani, Gandjar Pamudji, Hesti Susilawati, Firdauz Tri Anggoro","doi":"10.20884/1.dr.2023.19.1.1468","DOIUrl":null,"url":null,"abstract":"<p>Beton menjadi bahan utama dari kebanyakan kontruksi bangunan. Timbulnya sebuah retakan atau kerusakan struktur dari beton tersebut sangat berpengaruh terhadap struktur bangunan secara keseluruhan karena mampu memperpendek umur dari bangunan tersebut. Dari hal tersebut, diperlukannya pengawasan secara rutin terhadap kondisi struktur beton sehingga dapat dilakukan perencanaan pemeliharaan di masa depan. Pada paper ini penulis menerapkan teknologi sistem cerdas terhadap pendeteksian keretakan beton. Penerapan <em>Deep Learning</em> dengan arsitektur <em>Convolutional Neural Networks</em> dengan model <em>MobileNet V1</em> dan <em>Inception V3 dan ResNet-50 </em>untuk melakukan pengklasifikasian kondisi keretakan dari sebuah masukan gambar visual. Deteksi keretakan beton yang dilakukan dikelompokkan dalam tiga kelas yaitu retak besar, retak kecil dan tidak retak. Dari hasil training dan validasi yang telah dilakukan CNN dengan model mobileNet V1 memberikan hasil akurasi yang terbaik yaitu 0,8924 untuk akurasi pelatihan dan 0,8899 untuk akurasi validasi</p>","PeriodicalId":31510,"journal":{"name":"Dinamika Rekayasa","volume":"42 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-03-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Dinamika Rekayasa","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.20884/1.dr.2023.19.1.1468","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Beton menjadi bahan utama dari kebanyakan kontruksi bangunan. Timbulnya sebuah retakan atau kerusakan struktur dari beton tersebut sangat berpengaruh terhadap struktur bangunan secara keseluruhan karena mampu memperpendek umur dari bangunan tersebut. Dari hal tersebut, diperlukannya pengawasan secara rutin terhadap kondisi struktur beton sehingga dapat dilakukan perencanaan pemeliharaan di masa depan. Pada paper ini penulis menerapkan teknologi sistem cerdas terhadap pendeteksian keretakan beton. Penerapan Deep Learning dengan arsitektur Convolutional Neural Networks dengan model MobileNet V1 dan Inception V3 dan ResNet-50 untuk melakukan pengklasifikasian kondisi keretakan dari sebuah masukan gambar visual. Deteksi keretakan beton yang dilakukan dikelompokkan dalam tiga kelas yaitu retak besar, retak kecil dan tidak retak. Dari hasil training dan validasi yang telah dilakukan CNN dengan model mobileNet V1 memberikan hasil akurasi yang terbaik yaitu 0,8924 untuk akurasi pelatihan dan 0,8899 untuk akurasi validasi
< p >混凝土成为大多数建筑建筑的主要材料。混凝土结构出现的裂缝或破坏对整个结构产生了巨大的影响,因为它缩短了建筑的寿命。在此期间,需要对混凝土结构条件进行定期监督,以便为未来进行维修规划。在这篇论文中,作者应用了智能系统技术来检测混凝土破裂。应用< em > Deep Learning < /em >与建筑< em >转换神经网络< /em >型号< em > MobileNet V1 < /em >< em > V3 Inception和renet -50 < /em >进行视觉输入的断裂状态分类。检测三类混凝土裂缝,即大裂缝、小裂缝和未开裂。从CNN在mobileNet V1模型中所作的培训和验证的结果中,为培训准确率提供了0.8924的最佳准确性,为验证准确率提供了0.8899的最佳准确率