Nghiên cứu đánh giá kích thước hình học vết nứt trên cấu kiện bê tông cốt thép bằng phương pháp xử lý ảnh

TỔNG QUAN VỀ ĐỀ TÀI

Giới thiệu chung về đề tài

Nứt là hiện tượng bệnh lý quan trọng của kết cấu bê tông cốt thép, cho thấy sự suy giảm khả năng chịu lực của công trình Từ những vết nứt nhỏ do co ngót trong quá trình thi công đến các khe nứt gẫy nghiêm trọng, hiện tượng nứt đóng vai trò then chốt trong việc đánh giá tình trạng chịu tải của kết cấu Do đó, sự xuất hiện của các khe nứt trên bê tông cốt thép luôn cần được phân tích và xử lý một cách thỏa đáng.

Việc quản lý và theo dõi các vết nứt trên bề mặt bê tông là rất quan trọng ngay từ khi chúng xuất hiện Nếu không được xử lý kịp thời, các vết nứt có thể ảnh hưởng đến sự an toàn của kết cấu bê tông cốt thép, dẫn đến hiện tượng xâm thực ăn mòn và giảm độ bền lâu dài của công trình Trong một số trường hợp, nếu bề mặt cấu kiện bê tông cốt thép đáp ứng các yêu cầu chịu lực và kích thước vết nứt nằm trong giới hạn cho phép, thì hiện tượng nứt có thể chấp nhận mà không cần xử lý bổ sung Các vết nứt trong kết cấu bê tông cốt thép thường do nhiều nguyên nhân khác nhau, bao gồm tác động của lực, ứng suất nhiệt và ứng suất co ngót.

Theo nguyên nhân xuất hiện:

 Vết nứt do tác động của ngoại lực trong quá trình sử dụng

 Vết nứt do tác động của cốt thép ứng lực trước lên bê tông

 Vết nứt công nghệ do co ngót bê tông, do mức độ đầm vữa bê tông kém, chƣng hấp bê tông không đều, do chế độ nhiệt - ẩm

 Vết nứt hình thành do cốt thép bị ăn mòn

Theo mức độ nguy hiểm:

 Vết nứt chứng tỏ tình trạng nguy hiểm của kết cấu

 Vết nứt làm tăng độ thấm nước của bê tông (ở tường tầng hầm)

 Vết nứt làm giảm tuổi thọ kết cấu do cốt thép bị ăn mòn

 “Vết nứt thường” không gây nguy hiểm cho kết cấu (bề rộng vết nứt thường không vƣợt quá giá trị giới hạn cho phép của tiêu chuẩn)

Các vết nứt do lực tác động thường xuất hiện vuông góc với ứng suất kéo chính Trong các kết cấu phẳng, vết nứt do co ngót bê tông thường phân bố theo thể tích, trong khi ở các kết cấu phức tạp, chúng thường tập trung tại các điểm giáp nhau như chỗ tiếp giáp giữa sườn và cánh trong bản sàn hoặc trong dầm chữ T Ngoài ra, vết nứt cũng có thể do ăn mòn dọc theo cốt thép bị ăn mòn.

Mỗi dạng hư hỏng nứt trên cấu kiện bê tông cốt thép được đánh giá dựa trên các chỉ số khác nhau, như tổng chiều dài và bề rộng của vết nứt đối với nứt đơn (ngang, dọc) và nứt rẽ nhánh Phân loại nứt là một công tác quan trọng, giúp phân loại động các vết nứt từ nhiều hình ảnh trên bề mặt các cấu kiện bê tông cốt thép được thu thập từ camera.

Sự cần thiết của đề tài nguyên cứu

Sự tăng trưởng nhanh chóng của nền kinh tế Việt Nam trong những năm gần đây đã thúc đẩy mạnh mẽ sự phát triển của ngành xây dựng, với sự gia tăng về số lượng và đa dạng các loại hình kết cấu Các công trình nhà cao tầng và nhà nhịp lớp ngày càng trở nên phổ biến ở Việt Nam và trên toàn thế giới Hiện nay, kết cấu bê tông cốt thép được sử dụng rộng rãi và mang lại hiệu quả cao trong xây dựng.

Trong những năm gần đây, các công trình xây dựng tại Việt Nam đã ghi nhận sự xuất hiện nhiều khe nứt do hiện tượng co ngót của bê tông Những công trình lớn như Cầu Phú Lương và Cầu Bắc Mỹ Thuận, cùng với nhiều dự án xây dựng dân dụng và công nghiệp khác, đã bị ảnh hưởng Một ví dụ điển hình là sự nứt sàn bê tông cốt thép ứng lực trước kích thước 14m x 14m tại trụ sở Công ty Ree ở Thành phố Hồ Chí Minh.

3 do Công ty Tƣ vấn Đại học Xây dựng thiết kế) Các Hình 1.1, Hình 1.2 và Hình 1.3 minh họa hình ảnh nứt một số công trình xây dựng ở nước ta

Hình 1.1: Nứt Sàn Trung tâm văn hóa thể thao xã Hòa Liên Đà Nẵng

Hình 1.2: Nứt dầm nhà cao tầng Khách sạn Bạch Đằng Đà Nẵng

Hình 1.3: Nứt trụ Trung tâm văn hóa thể thao xã Hòa Liên

Kỹ thuật kiểm tra bằng máy bay không người lái (UAV) đang được phát triển mạnh mẽ, sử dụng camera và cảm biến để phát hiện các vết nứt và khiếm khuyết trong cấu trúc Hình ảnh được thu thập từ UAV với các màu sắc trong không gian đỏ, xanh lá cây và xanh, cho phép theo dõi sự hình thành vết nứt Để tiết kiệm thời gian, việc phát hiện và báo cáo vết nứt có thể được tự động hóa thông qua các hình ảnh đã được xử lý kỹ thuật Thông tin chi tiết về khoảng cách từ camera đến bề mặt sẽ giúp xác định kích thước vết nứt, bao gồm chiều dài và chiều rộng Tuy nhiên, chi phí cho công nghệ này hiện vẫn còn khá cao.

Hình 1.4: Hình ảnh máy bay không người lái trang bị Camera

Hình 1.5: Hình ảnh máy bay không người lái trang bị Camera

Hiện nay, phương pháp kiểm tra vết nứt bê tông ở Việt Nam chủ yếu dựa vào kiểm tra bằng mắt thường, điều này gây khó khăn cho người kiểm tra trong việc duy trì sự tập trung lâu dài Ngay cả những người có tay nghề cao cũng có thể bỏ sót các vết nứt, đặc biệt khi phải sử dụng ống nhòm để quan sát ở độ cao lớn Phương pháp này không chỉ dễ dẫn đến sai sót mà còn gây mệt mỏi cho người kiểm tra, làm giảm độ chính xác trong việc đánh giá hư hỏng Việc xác định kích thước hình học của các vết nứt thường dựa vào kinh nghiệm cá nhân, dẫn đến sự chủ quan và khó khăn trong quản lý.

Việc kiểm tra và khảo sát vết nứt ở các tòa nhà cao tầng rất nguy hiểm, đặc biệt khi chúng nằm ở độ cao vài chục mét Điều này gây khó khăn cho người khảo sát trong việc đánh giá tình trạng của công trình.

 Mất nhiều thời gian để xem xét đánh giá vết nứt của kết cấu bê tông cốt thép

Phương pháp phát hiện hiện tại có chi phí cao và tính chủ quan, vì yêu cầu sự tham gia của công nhân và kỹ sư giàu kinh nghiệm trong việc phác thảo mô hình và kích thước vết nứt bằng tay.

Vẫn tồn tại sự chênh lệch đáng kể giữa thực tế và kết quả đánh giá, do khó khăn trong việc hạn chế tính chủ quan trong quá trình đo đạc và đánh giá.

 Rất khó để tìm thấy các vết nứt bằng cách kiểm tra trực quan cho các kết cấu bê tông cốt thép vô cùng lớn

Để xác định kích thước hình học của vết nứt trên các cấu kiện bê tông cốt thép, cần đề xuất một phương pháp đảm bảo an toàn, tiết kiệm chi phí và nhân công lao động Phương pháp này phải khách quan, khả thi và tiết kiệm thời gian trong quá trình thực hiện.

Trong bối cảnh hiện nay, việc nâng cao hiệu quả kiểm tra và thanh tra tại chỗ là rất cần thiết Để phát hiện các vết nứt trên bê tông cốt thép một cách dễ dàng và thuận tiện, phương pháp "Nghiên cứu xác định kích thước hình học vết nứt trên cấu kiện bê tông cốt thép bằng phương pháp xử lý ảnh" được đề xuất Phương pháp này tập trung vào việc xác định chiều dài và bề rộng miệng khe nứt, đáp ứng hầu hết các yêu cầu kiểm tra hiện có.

Tổng quan tình hình nghiên cứu đề tài

Để tiết kiệm lao động trong công tác thanh tra và kiểm tra, việc áp dụng kỹ thuật xử lý hình ảnh để công nhận hình dạng và đo kích thước vết nứt là cần thiết Nghiên cứu xây dựng hệ thống giám sát và kiểm tra tại chỗ trên toàn quốc cho tất cả các loại cấu kiện bê tông là một hướng đi quan trọng Do đó, cần sớm tiến hành chuẩn bị và thử nghiệm trên một số công trình xây dựng để rút ra kinh nghiệm, từ đó hoàn thiện hệ thống và đưa vào sử dụng hiệu quả.

1.3.1 Nghiên cứu trên thế giới

Việc kiểm tra và đánh giá các vết nứt trên bề mặt bê tông là rất quan trọng Trước đây, phương pháp thủ công và kiểm tra bằng mắt thường được sử dụng, nhưng trong những năm gần đây, công nghệ đã được áp dụng để phát hiện và đánh giá các vết nứt trong kết cấu bê tông thông qua xử lý hình ảnh.

Trong bài viết này, chúng tôi giới thiệu một số nghiên cứu liên quan đến việc đánh giá vết nứt trên bề mặt bê tông Các tác giả đã đề xuất một số phương pháp nhằm tìm kiếm giải pháp nhanh chóng, chính xác và tiết kiệm chi phí thông qua việc xử lý ảnh.

Theo nghiên cứu của Talab và cộng sự (2016), một phương pháp mới trong xử lý hình ảnh đã được giới thiệu để phát hiện vết nứt trên bề mặt bê tông Phương pháp này gồm ba bước: đầu tiên, chuyển đổi hình ảnh sang màu xám và áp dụng bộ lọc Sobel để phát hiện vết nứt; thứ hai, sử dụng ngưỡng thích hợp trong hình ảnh nhị phân để phân loại điểm ảnh; và cuối cùng, loại bỏ tiếng ồn còn lại và phát hiện vết nứt lớn bằng phương pháp Otsu Phương pháp này mang lại ưu điểm là phát hiện rõ ràng và chính xác các vết nứt trong hình ảnh bê tông xi măng.

Li Chan và Lytton (1991) đã đề xuất một phương pháp nhận diện vết nứt nhỏ trên bề mặt sàn bê tông, với kích thước tối thiểu 0.25 inch Phương pháp này bao gồm các bước tính toán ngưỡng, phân đoạn hình ảnh sang dạng nhị phân, loại bỏ điểm nhiễu, quét viền vết nứt, kéo biên viền và xác định hướng của vết nứt Cuối cùng, chiều dài và bề rộng của vết nứt sẽ được tính toán chính xác.

Kỹ thuật phát hiện vết nứt bề mặt được áp dụng để kiểm tra các khuyết điểm trong nhiều loại vật liệu Nghiên cứu của Kittler, Marik và cộng sự (1994) đã đề xuất một thuật toán đào tạo nhằm lấy mẫu hình ảnh từ các vùng không có khuyết điểm trong miền không gian Sau khi hoàn tất quá trình đào tạo, các hình ảnh mới sẽ được phân tích để xác định sự hiện diện của khuyết điểm cũng như vị trí của chúng.

8 khuyết điểm này Kỹ thuật phân nhóm và hoạt động hình thái đƣợc thực hiện để phân tích hình ảnh trong phương pháp này

Nghiên cứu của Cheng và cộng sự (1999) đề xuất một thuật toán phát hiện vết nứt vỉa hè bằng cách loại bỏ hiệu ứng cường độ nền không đồng đều Thuật toán này sử dụng phương pháp nét ảnh, trong đó hình ảnh ban đầu được trừ đi một hình ảnh mờ và thêm một hằng số dương để ngăn chặn giá trị âm Tiếp theo, điểm sáng nổi bật của hình ảnh được xác định, tạo ra một hình ảnh mờ để phân loại các điểm ảnh có độ sáng thấp hơn một giá trị nhất định là điểm ảnh vết nứt Sau đó, các điểm ảnh trong vùng vết nứt được kiểm tra kết nối để loại bỏ nhiễu, vì vết nứt có chiều dài nhất định Cuối cùng, các loại vết nứt được phân loại dựa trên hình ảnh đã xử lý.

Một nghiên cứu của Ikhlas Abdel-Qader, Osama Abudayyeh và Kelly (2003) đã so sánh bốn phương pháp phát hiện vết nứt trên bề mặt bê tông, bao gồm chuyển đổi Haar nhanh (FHT), chuyển đổi Fourier nhanh (FFT), máy dò cạnh Sobel và phương pháp phát hiện cạnh Canny Nghiên cứu sử dụng 50 hình ảnh bê tông từ boong cầu, trong đó có 25 hình ảnh có vết nứt và 25 hình ảnh không có vết nứt Kết quả cho thấy FHT là phương pháp hiệu quả nhất trong việc phát hiện vết nứt.

Nghiên cứu của Huang và Xu (2006) đã đề xuất một phương pháp gộp kết nối vết nứt, tập trung vào việc quan sát sự hình thành và phát triển của các vết nứt Phương pháp này nhằm xác minh điểm phát sinh của vết nứt và kết nối các điểm này để tạo thành một nhóm phát sinh Từ một vết nứt ban đầu, cụm vết nứt sẽ phát triển bằng cách tiếp nhận các vết nứt liền kề cho đến khi không còn vết nứt nào gần đó có thể được phát hiện.

Theo nghiên cứu của Yen và cộng sự (2007), một phương pháp mới để phát hiện vết nứt trên bề mặt bê tông đã được đề xuất Phương pháp này dựa trên việc cải tiến các thuật toán lọc trung bình với bốn yếu tố chính.

Để nâng cao chất lượng ảnh xám mặt đường, cần chú trọng 9 yếu tố cấu trúc quan trọng Việc kết hợp hình thái học độ dốc với hình thái học đóng kín giúp trích xuất các mép vết nứt và lấp đầy khoảng trống của chúng Sau khi thiết lập bộ xương cho vết nứt, các thông số chiều dài và chiều rộng sẽ được xác định chính xác.

Nghiên cứu của Theo Li và cộng sự (2008) đã phát triển một phương pháp ngưỡng hình ảnh bê tông dựa trên thống kê biểu đồ khác biệt giữa các lân cận Phương pháp này chỉ ra rằng các điểm ảnh trong hình ảnh bê tông hư hỏng có màu sắc đậm hơn so với vùng lân cận Giá trị ngưỡng được xác định liên quan chặt chẽ đến độ lệch chuẩn của hình ảnh Nguyên lý chính của phương pháp là nếu số lượng điểm ảnh xung quanh lớn hơn số điểm ảnh đối tượng trong ảnh xám, thì điểm ảnh đó có khả năng cao hơn để trở thành điểm ảnh vết nứt.

Theo Zuo và cộng sự (2008) đã đề xuất một phương pháp phân đoạn hình ảnh bê tông mới dựa trên thuyết phân dạng, so sánh với các bộ lọc Sobel cổ điển và phương pháp Otsu Phương pháp này cho kết quả tốt hơn, ít bị ảnh hưởng bởi nhiễu, với tốc độ tính toán nhanh và độ chính xác cao Kết quả thực nghiệm cho thấy phương pháp phân dạng có khả năng xác định chính xác các vết nứt nhỏ, ngay cả từ hình ảnh mặt đường có nhiễu.

Moon và Kim (2011) phát triển một hệ thống tự động phát hiện vết nứt trên bề mặt bê tông, sử dụng thuật toán gồm hai phần: xử lý hình ảnh và phân loại hình ảnh Trong giai đoạn đầu, vết nứt được phân biệt với nền bằng cách lọc, cùng với việc trích xuất dữ liệu như số pixel và tỷ lệ giữa các trục Giai đoạn tiếp theo xác định sự tồn tại của vết nứt thông qua mạng neural thần kinh để phân loại hình ảnh tự động Thuật toán này đã được kiểm tra với hình ảnh bề mặt bê tông, với mạng được huấn luyện từ 105 hình ảnh cấu trúc bê tông.

10 thử nghiệm cho 120 hình ảnh mới Tỷ lệ nhận dạng của hình ảnh nứt là 90% và hình ảnh không nứt là 92%

Phương pháp xử lý hình ảnh tự động do Nishikawa và cộng sự (2012) phát triển nhằm phát hiện vết nứt trên bề mặt bê tông bao gồm hai giai đoạn chính Giai đoạn đầu tiên là tự động xây dựng bộ lọc để phát hiện vết nứt, trong khi giai đoạn thứ hai tập trung vào việc loại bỏ nhiễu và xác định các vết nứt không rõ ràng thông qua một quá trình lặp đi lặp lại xung quanh các vùng nứt Thuật toán chung được sử dụng trong giai đoạn đầu tiên, với mỗi cá thể di truyền được biểu diễn dưới dạng cấu trúc cây.

Mục tiêu nghiên cứu

Mục đích của nghiên cứu này là xác định kích thước hình học của vết nứt trên cấu kiện bê tông cốt thép thông qua phương pháp xử lý ảnh Nghiên cứu tập trung vào việc phân tích vết nứt bê tông và thử nghiệm các thuật toán trên hình ảnh kỹ thuật số để xác định chiều dài và bề rộng của vết nứt dựa vào xử lý ảnh.

Nhiệm vụ nghiên cứu và giới hạn của đề tài

1.5.1 Nhiệm vụ nghiên cứu Đề tài nhằm nghiên cứu xác định kích thước hình học vết nứt trên cấu kiện bê tông cốt thép bằng phương pháp xử lý hình ảnh để tăng hiệu quả trong việc kiểm tra, thanh tra đánh giá xử lý hƣ hỏng của cấu kiện bê tông cốt thép trong quá trình khai thác ở Việt Nam và ứng dụng trong thực tế trên cấu kiện dầm, sàn bê tông cốt thép của các công trình xây dựng Nhiệm vụ cụ thể:

 Nghiên cứu các dạng hƣ hỏng nứt cấu kiện bê tông cốt thép, cách phân loại đánh giá hƣ hỏng vết nứt

 Tìm hiểu về ảnh số, cách hiển thị ảnh

Hệ thống tính toán các thông số vết nứt dựa trên hình ảnh sử dụng thuật toán tiên tiến để đo lường các đặc tính của vết nứt trong dầm và sàn bê tông Hệ thống này có khả năng xác định bề rộng và chiều dài của vết nứt đơn cũng như vết nứt rẽ nhánh, từ đó cung cấp thông tin chính xác cho việc đánh giá tình trạng kết cấu.

1.5.2 Giới hạn của đề tài

Trong luận văn này, học viên nghiên cứu giải thuật xác định kích thước hình học của vết nứt trên cấu kiện bê tông cốt thép từ ảnh chụp 2D Ảnh chụp vết nứt cần đáp ứng các yêu cầu nhất định để đảm bảo tính chính xác trong việc phân tích kích thước.

 Vết nứt phải nằm toàn bộ trong khung hình

 Kích thước ảnh chụp có thể tùy biến, nhưng phải đảm bảo tỉ lệ giữa chiều dài và chiều rộng

 Ảnh chụp phải rõ nét, và có độ tương phản cao giữa vùng vết nứt và bề mặt bê tông xung quanh.

Phương pháp nghiên cứu

Trong đề tài này, phương pháp nghiên cứu được áp dụng là xác định kích thước hình học của vết nứt trên cấu kiện bê tông cốt thép thông qua việc xử lý hình ảnh Hình ảnh thu thập bằng máy ảnh sẽ được chuyển vào máy tính để xử lý và đưa ra kết quả.

 Thống kê và thu thập các loại nứt cấu kiện bê tông cốt thép

Phân loại vết nứt trên bề mặt dầm sàn bê tông cốt thép được thực hiện bằng cách sử dụng thuật toán máy học dựa trên mạng neural, bao gồm ba bước chính: tiền xử lý ảnh, xây dựng bộ phân lớp thông qua thuật toán và phân loại vết nứt.

 Xác định kích thước vết nứt dầm, sàn bê tông cốt thép từ xử lý ảnh: Xác định chiều dài, bề rộng khe nứt

CƠ SỞ NGHIÊN CỨU

Giới thiệu ảnh số

Một ảnh thật được định nghĩa là một hàm liên tục F(x,y), trong đó (x,y) là các tọa độ trong không gian, và biên độ của hàm F(x,y) thể hiện độ chói của điểm ảnh Ảnh số F(u,v) là tập hợp hữu hạn các điểm được gọi là Pixel Quá trình tạo ra ảnh số bao gồm hai bước chính: lấy mẫu (sampling) và lượng tử hóa (quantization) từ ảnh thật.

Quá trình lấy mẫu tín hiệu liên tục S(t) được thể hiện trong Hình 2.1, trong đó mỗi điểm Si là giá trị của S(t) được thu thập sau mỗi chu kỳ T Khi chu kỳ T giảm, mật độ các điểm Si tăng lên, giúp biểu diễn S(t) gần đúng hơn Tương tự, trong việc lấy mẫu ảnh thật, quá trình diễn ra đồng thời ở hai trục tọa độ không gian Ox và Oy thông qua mạng cảm biến tích hợp trong camera Mật độ cảm biến ảnh hưởng trực tiếp đến chất lượng hình ảnh đầu ra của camera.

Hình 2.1: Quá trình lấy mẫu

Quá trình lấy mẫu là việc chuyển đổi một tín hiệu liên tục thành một tập hợp hữu hạn các điểm Trong khi đó, quá trình lượng tử liên quan đến việc biểu diễn các giá trị tại những điểm này.

Số bit lượng tử là một đại lượng quan trọng trong quá trình lượng tử hóa tín hiệu, với số bit càng lớn giúp biểu diễn chính xác giá trị biên độ của tín hiệu thực Hình 2.2 và Hình 2.3 minh họa sự khác biệt giữa việc sử dụng hai bit và ba bit lượng tử để thể hiện biên độ của tín hiệu liên tục (đường màu đỏ) Kết quả cho thấy đường giá trị sau khi được lượng tử (đường màu xanh) với ba bit cung cấp độ chính xác cao hơn so với hai bit trong việc biểu diễn tín hiệu liên tục.

Hình 2.2: Lƣợng tử hai bit

Việc tăng số lượng bit lượng tử sẽ cải thiện độ chính xác của ảnh, nhưng cũng làm tăng kích thước file ảnh, gây khó khăn trong việc lưu trữ và xử lý trên các thiết bị điện tử Hầu hết các ứng dụng hiện nay sử dụng ảnh với 8 bit lượng tử, trong khi các ảnh có số bit lượng tử cao hơn (16 hoặc 32) thường chỉ được áp dụng trong các lĩnh vực yêu cầu chất lượng ảnh cao như y tế và quan sát.

Trong nghiên cứu này, học viên sử dụng ảnh 8 bit lượng tử, loại ảnh dễ dàng thu thập từ các camera phổ biến.

Một ảnh số thường được biểu diễn dưới đạng một ma trận có kích thước

“MxN” với M, N tương ứng là số lượng pixel trên chiều dài và chiều rộng của ảnh

Và các ảnh số thường được phân loại thành: ảnh nhị phân, ảnh đa mức xám, ảnh màu

2.1.1 Ảnh màu Ảnh màu là ảnh thể hiện đƣợc màu sắc của đối tƣợng chụp Có nhiều hệ màu có thể đƣợc áp dụng để thể hiện đƣợc màu sắc của ảnh chụp ví dụ nhƣ: RGB, YUV, YCbCr, YMCK, HSV … Tuy nhiên thông dụng nhất vẫn là RGB Trong hệ màu RGB, tất cả các màu sắc đều có thể đƣa về thành một bộ 3 giá trị màu cơ bản là Đỏ (Red), Xanh lá (Green) và Xanh dương (Blue) Theo đó mỗi Pixel sẽ gồm 3 giá trị màu riêng biệt R, G và B tương ứng với độ nhạy sáng đối với ba loại ánh sáng: đỏ, xanh lục và xanh lá

Một ảnh màu sử dụng hệ màu RGB sẽ đƣợc biểu diễn bởi một ma trận 3 chiều “M x

N x 3” với M, N là kích thước ảnh, và 3 chính là số thành phần màu

2.1.2 Ảnh xám Ảnh xám là ảnh biểu diễn độ nhạy sáng đối với ánh sáng trắng Theo đó mỗi pixel sẽ chứa thông tin cường độ của ánh sáng trắng, và ta có thể chuyển đổi dễ dàng từ ảnh RGB sang ảnh xám bằng công thức:

Hinh 2.6: Đồ thị mức xám của vết nứt

Một ảnh xám được mô tả bởi ma trận hai chiều kích thước MxN Hình 2.5 và Hình 2.6 minh họa ảnh mức xám cùng với đồ thị mức xám liên quan đến vết nứt trên ảnh.

Hình ảnh vết nứt có thể được chuyển đổi sang ảnh xám, trong đó phần không nứt sẽ có độ sáng cao hơn so với phần bị nứt Nhờ vào sự khác biệt về cường độ sáng giữa hai vùng này, chúng ta có thể phát hiện vết nứt một cách hiệu quả.

2.1.3 Ảnh nhị nhân Ảnh đƣợc biểu diễn bởi một ma trận hai chiều thuộc kiểu logical Mỗi điểm ảnh chỉ có thể nhận một trong hai giá trị là 0 (đen) hoặc 1 (trắng).

Nhị phân hóa

Khi phân tích ảnh xám của vết nứt, như thể hiện trong Hình 2.5, chúng ta nhận thấy rằng vết nứt có màu tối hơn so với phần bê tông xung quanh Do đó, việc phân đoạn vết nứt trên ảnh I(x,y) có thể thực hiện bằng cách chọn một ngưỡng k phù hợp.

Hình 2.8 minh họa cách chọn ngưỡng k dựa trên histogram của ảnh I(x,y) Histogram là đồ thị thể hiện tần số phân bố các giá trị cường độ của ảnh xám I(x,y) Để phân tách hai vùng có histogram lớn nhất, giá trị phân ngưỡng K cần được lựa chọn phù hợp Như đã đề cập, vùng có vết nứt sẽ tối hơn vùng bình thường, do đó vết nứt sẽ được phân loại là vùng Class 0 trên đồ thị.

Hình 2.8: Hình ảnh phân ngƣỡng

2.2.2 Thuật toán phân ngƣỡng Otsu

Thuật toán phân ngƣỡng Otsu đƣợc tác giả Nobuyuki Otsu giới thiệu năm

Phương pháp phân ngưỡng Otsu, được giới thiệu vào năm 1979, dựa trên biểu đồ histogram Tác giả bắt đầu bằng cách phân tích biểu đồ histogram chuẩn hóa dựa trên hàm mật độ xác suất (PDF - Probability Density Function) theo một công thức cụ thể.

- n - tổng số pixel trên ảnh;

- n q - tổng số pixel có mức độ xám r q ;

- L - tổng số ngƣỡng độ xám trên ảnh;

Trong phương pháp Otsu, ngưỡng k được chọn để phân chia các pixel thành hai tập hợp: C0 chứa các pixel có ngưỡng từ [0,1,…,k-1] và C1 chứa các pixel có ngưỡng từ [k,k+1,…,L-1] Mục tiêu là tối đa hóa độ lệch chuẩn giữa các lớp, ký hiệu là  2 B Độ lệch chuẩn này được tính toán theo một công thức cụ thể, giúp xác định ngưỡng tối ưu cho việc phân loại pixel.

2.2.3 Phương pháp khử nhiễu dựa trên k-Nearest Neighbors kNN là phương pháp để phân lớp các đối tượng dựa vào khoảng cách gần nhất giữa đối tƣợng cần phân lớp và tất cả các đối tƣợng trong dữ liệu huấn luyện Một đối tượng được phân lớp dựa vào k láng giềng của nó K là số nguyên dương lẻ được xác định trước khi thực hiện thuật toán [23] Người ta thường dùng khoảng cách Euclidean để tính khoảng cách giữa các đối tƣợng

Giả sử ta có n điểm dữ liệu đã đƣợc phân loại:

Tập L là tập các nhãn tương ứng của các điểm điểm dữ liệu trong tập D Dữ liệu cần đƣợc phân loại vào hai lớp I và II

Thuật toán: k-Nearest Neighbours Đầu vào: Tập dữ liệu D, số láng giềng cần xét và điểm dữ liệu cần phân loại Đầu ra: Nhãn của điểm dữ liệu

Bước 1: Tính khoảng cách của tới tất cả các điểm dữ liệu Ta có * + ̅̅̅̅

Bước 2: Sắp xếp dãy * + ̅̅̅̅ theo thứ tự tăng dần ta được dãy * + ̅̅̅̅

Bước 3: Tìm tập các nhãn của k điểm dữ liệu gần nhất

Bước 4: Tính tần số xuất hiện của các nhãn I và II trong tập nhãn

Hình 2.9: Thuật toán k-nearest neighbours

Dựa trên nguyên lý của k-nearest neighbours, chúng ta có thể phát triển một bộ lọc nhiễu nhằm loại bỏ các nhiễu trong quá trình nhị phân hóa ảnh vết nứt Hình 2.10 cung cấp cái nhìn tổng quát về các loại nhiễu có thể xảy ra khi áp dụng thuật toán Otsu để nhị phân hóa ảnh vết nứt.

Hình 2.10: Ảnh vết nứt sau khi đƣợc nhị phân hóa

Các nhiễu có thể được khắc phục bằng cách tái phân lớp các điểm ảnh dựa trên giá trị của các điểm ảnh lân cận Để thực hiện điều này, chúng ta sử dụng một cửa sổ có kích thước WxW (với W = 3, 5, 7…) với tâm là điểm ảnh đang xét Giá trị của điểm ảnh sẽ là 1 nếu số lượng điểm ảnh xung quanh có giá trị 1 nhiều hơn, và ngược lại Hình 2.11 minh họa quá trình khử nhiễu dựa trên thuật toán KNN, trong khi Hình 2.12 cho thấy kết quả vết nứt sau khi đã được khử nhiễu.

Nhận dạng vết nứt

2.3.1 Trình bày tóm tắt về phân lớp dữ liệu

Phân lớp dữ liệu là một kỹ thuật phổ biến trong khai phá dữ liệu, được nghiên cứu và áp dụng rộng rãi hiện nay Kỹ thuật này nhằm mục đích dự đoán nhãn phân lớp cho các bộ dữ liệu hoặc các điểm dữ liệu mới.

 Đầu vào: Một tập các mẫu dữ liệu huấn luyện, với một nhãn phân lớp cho mỗi mẫu dữ liệu

 Đầu ra: Bộ phân lớp sau khi huấn luyện trên tập huấn luyện và những nhãn phân lớp của các điểm dữ liệu mới

Phân lớp dữ liệu là quá trình sử dụng tập huấn luyện và các giá trị trong thuộc tính phân lớp để xác định lớp cho dữ liệu mới Kỹ thuật này được thực hiện qua hai bước chính.

 Bước 1: Xây dựng mô hình từ tập huấn luyện (Training)

 Mỗi bộ/mẫu dữ liệu được phân vào một lớp được xác định trước

 Lớp của một bộ/mẫu dữ liệu đƣợc xác định bởi thuộc tính gán nhãn lớp

 Tập các bộ/mẫu dữ liệu huấn luyện - tập huấn luyện - đƣợc dùng để xây dựng mô hình

 Mô hình đƣợc biểu diễn bởi các luật phân lớp, các cây quyết định hoặc các công thức toán học

Hình 2.13: Ví dụ xây dựng mô hình [24]

 Bước 2: Kiểm tra tính đúng đắn của mô hình (Testing) và dùng nó để phân lớp dữ liệu mới

 Phân lớp cho những đối tƣợng mới hoặc chƣa đƣợc phân lớp

 Đánh giá độ chính xác của mô hình

 Lớp biết trước của một mẫu/bộ dữ liệu đem kiểm tra được so sánh với kết quả thu đƣợc từ mô hình

Tỉ lệ chính xác bằng phần trăm các mẫu/bộ dữ liệu đƣợc phân lớp đúng bởi mô hình trong số

Hình 2.14: Sử dụng mô hình [24]

2.3.2 Tổng quan mạng neural nhân tạo

Mạng neural nhân tạo (Artificial Neural Networks - ANN) được phát triển dựa trên ý tưởng mô phỏng hoạt động của bộ não con người ANN tái tạo các chức năng của hệ thần kinh thông qua hàng triệu nơ-ron liên kết với nhau, cho phép chúng học hỏi từ kinh nghiệm và lưu trữ thông tin để áp dụng trong các tình huống khác nhau Giống như con người, ANN có khả năng cải thiện hiệu suất dựa trên những trải nghiệm trước đó.

Mạng neural đã thu hút sự chú ý trong những năm gần đây và được áp dụng thành công trong nhiều lĩnh vực như tài chính, y tế, địa chất và vật lý Chúng có khả năng giải quyết các vấn đề liên quan đến dự báo, phân loại và điều khiển Chẳng hạn, mạng neural được sử dụng trong nhận dạng khuôn mặt trong các hệ thống quản lý thông tin, bao gồm quản lý nhân sự tại các cơ quan, doanh nghiệp và quản lý học sinh, sinh viên tại các trường học Ngoài ra, chúng cũng được ứng dụng trong các lĩnh vực khoa học hình sự và tướng số.

Sự kết hợp giữa logic mờ và mạng neural nhân tạo đã mang lại một cuộc cách mạng đáng kể trong việc nâng cao khả năng thông minh và tính linh hoạt của các bộ điều khiển kỹ thuật.

26 cao cho cả hiện nay và trong tương lai Đơn cử như các ứng dụng tự động điều khiển hệ thống lái tàu, hệ thống dự báo sự cố…

Trong bài viết này, tôi sẽ tóm tắt những khái niệm cơ bản về mạng neural nhân tạo, những thông tin này sẽ hỗ trợ cho việc nhận dạng ký tự số ở phần tiếp theo.

2.3.2.1 Khái niệm mạng neural a Neural sinh học

 Soma: là thân của neural, đây là trung tâm của quá trình xử lý tín hiệu

 Dendrites: là các đường truyền dữ liệu (dưới dạng xung điện thế) đến cho các soma xử lý

Axon, giống như các dendrites, được kết nối trực tiếp với Soma, nhưng nhiệm vụ chính của nó là tạo ra các xung điện thế để truyền tín hiệu đến các neuron khác.

 Synapse: là các mối nối đặc biệt để nối giữa Axon và Dendrites

Hoạt động của một neuron có thể được tóm tắt đơn giản: Soma tổng hợp các điện thế từ các nhánh vào (Dendrites) và phát ra một xung điện thế (Axon) khi tổng này vượt qua một ngưỡng nhất định.

Các nơ-ron trong não được kết nối với nhau qua các synapse Một synapse được coi là mạnh khi nó cho phép tín hiệu truyền qua dễ dàng, trong khi một synapse yếu sẽ cản trở quá trình truyền tín hiệu Quá trình học tập của con người có thể được hiểu là việc điều chỉnh hoạt động của các synapse Mạng nơ-ron nhân tạo cũng hoạt động theo nguyên lý tương tự.

Một neural sinh học có thể được mô hình hóa như bên dưới:

Hình 2.16: Mô hình toán học của một neural [25]

Giống như trong neural sinh học, một neural nhân tạo có nhiều đầu vào (inputs) được nhân với các trọng số (W) tương tự như cấu trúc synapse Các đầu vào này sẽ được cộng dồn và so sánh với một giá trị ngưỡng Giá trị đầu ra sẽ được đưa vào một hàm đáp ứng để tạo ra kết quả tương ứng Bằng cách điều chỉnh các trọng số (Wi), neural nhân tạo có khả năng học tập giống như neural sinh học.

2.3.2.2 Cấu trúc mạng neural nhân tạo a Mạng 1 lớp

Mạng một tầng với S neural được thể hiện trong Hình 2.17 Mỗi đầu vào trong số R đầu vào sẽ được kết nối với từng neural, và ma trận trọng số sẽ được áp dụng để xử lý dữ liệu.

Tầng S trong mạng nơ-ron bao gồm ma trận trọng số, các bộ cộng, vector ngưỡng b, hàm chuyển và vector đầu ra a Mỗi phần tử của vector đầu vào p được kết nối với từng nơ-ron thông qua ma trận trọng số Wi Mỗi nơ-ron có một ngưỡng bi, một bộ cộng, một hàm chuyển f và một đầu ra ai Các đầu ra này kết hợp lại để tạo thành một vector đầu ra a Thông thường, số lượng đầu vào của tầng không giống với số lượng nơ-ron Ma trận trọng số cho các phần tử trong vector đầu vào được ký hiệu là W.

Mô hình mạng neural 1 lớp được trình bày như hình bên dưới

Hình 2.17: Mô hình mạng neural 1 lớp [25]

Bằng cách thay đổi hàm f ta sẽ có đƣợc những neural khác nhau Các hàm truyền phổ biến là: logsig, tansig và purelin b Mạng nhiều lớp

Hình 2.18: Kiến trúc mạng neural nhiều lớp [25]

Một mạng neural nhiều lớp bao gồm một lớp ngõ vào, một hoặc nhiều lớp neural ẩn, và một lớp neural ngõ ra Mô hình mạng neural với một lớp được minh họa trong Hình 2.18.

Dữ liệu từ tất cả các nút trong lớp nhập được tích hợp thành tổng trọng số và chuyển đến các nút trong lớp ẩn Lớp này được gọi là "ẩn" vì chỉ liên lạc với lớp ngõ vào và lớp ngõ ra, và chỉ người thiết kế mạng mới biết đến nó Các nút trong lớp ngõ ra nhận tín hiệu xử lý từ lớp ẩn, với mỗi nút trong lớp ngõ ra tương ứng với một biến phụ thuộc.

Quá trình huấn luyện mạng neural là việc điều chỉnh trọng số dựa trên mối quan hệ giữa đầu vào và đầu ra, nhằm tạo ra các phản hồi đầu ra chính xác và phù hợp.

XỮ LÝ ẢNH NỨT TRÊN BỀ MẶT BÊ TÔNG

Calibration

Để xác định tỉ lệ quy đổi giữa đơn vị Pixel và cm, cần chụp ảnh một vật mẫu có kích thước xác định trong cùng điều kiện với ảnh chụp nứt, bao gồm tiêu cự, khoảng cách từ ống kính đến đối tượng và thiết lập Zoom của máy ảnh Việc này có thể thực hiện bằng cách thêm một vật chuẩn gần vết nứt và chụp ảnh cùng với vật chuẩn đó.

Học viên sử dụng một hình tròn màu đỏ kích thước 6mm làm vật chuẩn trong Hình 3.2, từ đó có thể tính tỉ lệ quy đổi giữa Pixel và đơn vị đo mm.

 Scale_factor: hệ số quy đổi giữa pixel và mm

 numPixels: số pixel đo đƣợc trên ảnh của hình tròn màu đỏ.

Nhị phân hóa ảnh nứt

Quá trình nhị phân hóa ảnh nứt là chuyển đổi ảnh màu (RGB) sang ảnh xám và áp dụng giá trị ngưỡng để xác định vùng vết nứt Quy trình này được minh họa qua lưu đồ trong Hình 3.3.

RGB to Gray Normalization Ảnh chứa vết nứt Ảnh nhị phân

Hình 3.3: Nhị phân hóa vết nứt

Trước khi thực hiện các bước xử lý, ảnh đầu vào cần được chuẩn hóa (Normalization) Trong luận văn này, học viên sử dụng ảnh số có độ sâu màu nhất định.

34 lƣợng tử là 8 bit, cho nên các giá trị pixel sẽ đƣợc chuẩn hóa về dạng số thực có tầm giá trị từ 0-1 theo công thức

 I(x,y) là giá trị của từng pixel trong ảnh (có giá trị trong khoảng từ 0-255)

 I’(x,y) là giá trị của pixel đã đƣợc chuẩn hóa (có giá trị từ 0-1) Ảnh sau khi đƣợc chuẩn hóa sẽ đƣợc chuyển đổi thành ảnh xám theo công thức:

 GRAY: Ảnh xám ngõ ra

 R : Thành phần màu đỏ (red) của ảnh vào

 G: Thành phần màu xanh lá (Green) của ảnh vào

 B: Thành phần màu xanh dương (Blue) của ảnh vào

Sau khi tạo ra ảnh đa mức xám, thuật toán Otsu được áp dụng để xác định ngưỡng nhị phân phù hợp, từ đó chuyển đổi ảnh màu sang ảnh nhị phân Kết quả của quá trình này được thể hiện trong Hình 3.4, bao gồm ảnh màu (RGB), ảnh xám và ảnh nhị phân.

Hình 3.4: Quá trình chuyển đôi từ ảnh màu sang ảnh nhị phân

Khử nhiễu

Dựa vào kết quả từ Hình 3.4, có thể nhận thấy rằng ảnh nhị phân chứa nhiều thành phần nhiễu Vì vậy, trước khi tiếp tục các bước xử lý, việc lọc bỏ các thành phần nhiễu là cần thiết Một chuỗi các thao tác lọc nhiễu sẽ được áp dụng để khử nhiễu cho ảnh nhị phân.

Knn-Filter Ảnh nhị phân

Clean hole Ảnh đã khử nhiễu

Hình 3.5: Quá trình khử nhiễu

Quá trình khử nhiễu bắt đầu bằng việc sử dụng bộ lọc kNN, như đã được đề cập trước đó Mặc dù bộ lọc kNN chỉ có khả năng lọc các thành phần nhiễu có kích thước 1-2 pixel, nhưng nó vẫn cho phép phân tách các vùng liên thông trong ảnh.

Hình 3.6: Ảnh nhị phân trước và sau khi áp dụng kNN - filter

Bộ lọc kNN - filter đã hiệu quả trong việc phân tách các vùng nhiễu và vết nứt thành những vùng liên thông riêng biệt, từ đó nâng cao độ chính xác của bộ lọc dựa trên diện tích (Area - based filter) Bộ lọc này thực hiện quá trình phân tách các vùng liên thông, là những khu vực liên tục không bị ngắt đoạn Như trong ví dụ, vùng lớn là vết nứt và vùng nhỏ là thành phần nhiễu Nguyên tắc hoạt động của bộ lọc dựa trên diện tích là tính toán diện tích của từng vùng liên thông, và nếu diện tích nhỏ hơn một ngưỡng nhất định (chẳng hạn 200 pixel), thì vùng đó được xem là nhiễu.

Hình 3.7: Ví dụ về vùng liên thông

37 Ảnh gốc Area-based filter

Hình 3.8: Kết quả khử nhiễu dựa trên diện tích (giá trị ngƣỡng 200 pixel)

Phân loại vết nứt

Sau khi khử nhiễu, ảnh sẽ được thay đổi kích thước thành “192x256” pixels và được đưa vào một mạng neural với kiến trúc bao gồm 192x256 đầu vào, 2 lớp ẩn và 1 lớp ngõ ra Mạng neural này nhằm mục đích tạo ra ba giá trị đầu ra tương ứng với ba trường hợp phân loại: Không nứt, nứt đơn và nứt đa.

Hình 3.9: Kiến trúc mạng neural

Quá trình huấn luyện mạng được thực hiện theo phương pháp "one vs all", trong đó mỗi trường hợp được đào tạo với một tập ảnh mẫu gồm 10 ảnh Các trường hợp bao gồm: không nứt, nứt đơn và nứt đa, với giá trị ngõ ra tương ứng cho từng loại phân lớp.

Sau quá trình học, mạng có khả năng phân loại ảnh đầu vào bằng cách tạo ra xác suất cho mỗi trường hợp ở đầu ra Chúng ta chỉ cần xác định đầu ra có giá trị lớn nhất để phân loại ảnh đầu vào vào phân lớp tương ứng Ví dụ trong Hình 3.10 minh họa kết quả dự đoán khi đưa vào một ảnh không nứt.

Ta có thể thấy rằng, giá trị lớn nhất nằm ở hàng đầu tiên (0.3017) cũng chính là tương ứng với trường hợp là ảnh không nứt

Hình 3.10: Kết quả dự đoán với ảnh không nứt

Đo đạc vết nứt

Việc đo đạc chiều dài và chiều rộng của vết nứt được thực hiện bằng đơn vị Pixel, sau đó chuyển đổi sang đơn vị mm thông qua hệ số Scale đã được xác định trong bước Calibration Công thức chuyển đổi được sử dụng là: chiều_dài = chiều_dài_pixel * scale và chiều_rộng = chiều_rộng_pixel * scale.

 Chieu_dai, chieu_rong: la gia tri chieu dai va rong cua vet nut o don vi mm

 Chieu_dai_pixel, chieu_rong_pixel: là chiều dài và chiều rộng vết nứt tính trên dơn vị pixel

 Scale: hệ số quy đổi từ đơn vị pixel sang đơn vị mm

3.5.1 Đo chiều dài vết nứt

Sau khi lọc nhiễu, chúng ta thu được ảnh nhị phân hiển thị vết nứt như trong Hình 3.11 Để đo chiều dài vết nứt, ta sẽ mảnh hóa vết nứt thành một đường khung dày 1 pixel Chiều dài vết nứt được xác định bằng tổng số pixel có giá trị “1” trên đường khung đó.

Để xác định đường khung của vết nứt trong ảnh nhị phân, ta cần co dần các pixel ở hai vùng biên của vết nứt cho đến khi đạt được đường khung có độ dày 1 pixel Quá trình này có thể được thực hiện dễ dàng bằng cách sử dụng hàm "bwmorph" trong Matlab với cú pháp: ske_img = bwmorph(subimage, 'thin', inf).

- Subimage: ảnh nhị phân chứa vết nứt

- Ske_img: ảnh chứa đường khung vết nứt

Hình 3.12: Đường khung của vết nứt

Hình 3.12 hiển thị kết quả đường khung vết nứt (đường màu đỏ), với vùng nứt được thể hiện bằng màu trắng Tuy nhiên, thuật toán của Matlab không hoàn toàn chính xác trong việc xác định đường khung vết nứt, dẫn đến sự xuất hiện của các đường nhánh giả (như trong Hình 3.13) Do đó, cần thiết phải lọc bỏ những đường nhánh này để cải thiện độ chính xác.

Để loại bỏ các đường nhánh giả, cần tính khoảng cách từ điểm cuối của mỗi nhánh (End Point) đến điểm nhánh (Brand Point) gần nhất Nếu khoảng cách này nhỏ hơn một giá trị ngưỡng T, nhánh đó sẽ bị loại bỏ.

Hình 3.14:Điểm Brand Point và điểm End Point

Do các đường nứt thường lớn hơn 1cm, ngưỡng T được chọn dựa trên giá trị Scale đã tính toán trong bước Calibration Hình 3.15 hiển thị kết quả sau khi loại bỏ các đường nhánh giả từ đường khung.

Hình 3.15: Lọc nhiễu đường khung Đường nhánh

3.5.2 Đo chiều rộng vết nứt

Lưu đồ giải thuật tính toán chiều rộng vết nứt như sau: i++; C_pos = skeleton(i); Ảnh chứa vết nứt

Xác định khoảng cách từ các pixel trên cạnh đến C_pos

Xác định vị trí của Pixel C_a có khoảng cách đến C_pos ngắn nhất

Tìm giao điểm giữa đường thẳng qua C_a và C_pos với cạnh còn lại của vết nứt

Xác định cạnh vết nứt Độ rộng vết nứt D(i) tại C_pos là khoảng cách giữa C_a và C_b

Để đo chiều rộng vết nứt, trước tiên xác định một điểm C_pos trên đường khung vết nứt Tiếp theo, tìm điểm C_a trên hai cạnh biên của vết nứt sao cho khoảng cách đến C_pos là nhỏ nhất Sau đó, viết phương trình đường thẳng qua C_pos và C_a, cắt cạnh biên còn lại tại điểm C_b Cuối cùng, khoảng cách từ C_a đến C_b sẽ cho biết chiều rộng của vết nứt.

Độ rộng cần đo là 42, với các điểm C_a, C_pos và C_b được mô tả trong Hình 3.17 Quá trình tính toán sẽ được thực hiện lặp lại cho tất cả các pixel trên đường khung, và độ rộng của vết nứt sẽ được xác định là giá trị trung bình của tất cả các khoảng cách đã đo.

Hình 3.17: Xác định chiều rộng vết nứt

THU THẬP DỮ LIỆU, ĐO ĐẠC VÀ ĐÁNH GIÁ

Thu thập dữ liệu đo đạc

Để đảm bảo chất lượng ảnh chụp bề mặt cấu kiện bê tông, ảnh cần được chụp trực diện từ bất kỳ khoảng cách nào và có vật chuẩn gần vết nứt Ảnh phải đủ sáng và các đường nứt cần được thể hiện rõ nét Người chụp có thể sử dụng camera thông dụng hoặc camera điện thoại thông minh để thực hiện yêu cầu này.

Trong luận văn này, học viên sử dụng camera điện thoại thông minh Xperia

Z3v 4G LTE D6708 với thông số kỹ thuật nhƣ sau:

Camera Image Sensor / Cảm biến CMOS

Number of pixels / Số lƣợng điểm ảnh: 20.7 MP cam

Optical Zoom / Chế độ phóng to cơ học 1 x

Digital Zoom / Chế độ phóng to kĩ thuật số 8 x

Focus / Chế độ lấy nét CD AF

Built-in Flash / Đèn Flash single LED

Camera Extra Functions / Tính năng bổ sung HDR photo, Touch Focus,

Thu thập dữ liệu

Dữ liệu ảnh thu thập bao gồm bốn loại: ảnh không nứt, ảnh nứt đơn, ảnh nứt đa và ảnh thực nghiệm Ảnh thực nghiệm được ghi lại từ công trình cầu Thuận Phước - Đà Nẵng, cùng với một số ảnh được tạo ra bằng phần mềm Autocad Nhóm ảnh phân lớp, bao gồm ảnh không nứt, ảnh nứt đơn và ảnh nứt đa, được thu thập từ các cấu kiện dầm mẫu và mẫu bê tông hình trụ tại phòng thí nghiệm LASXD-1126.

Đo đạc vết nứt trên thực nghiệm

Học viên sử dụng các thiết bị đo thông dụng như thước đo bề rộng vết nứt, thước thép và thước dây để khảo sát và xác định thông số của các vết nứt.

Thước đo bề rộng vết nứt Thước đo bề rộng vết nứt

4.3.1 Đo bề rộng vết nứt

Để đo bề rộng vết nứt, tiến hành đo từ 3 đến 5 vị trí ngẫu nhiên trên đoạn nứt cần khảo sát Số liệu thu được sẽ được tính trung bình để so sánh với chương trình Những vết nứt có bề rộng bất thường, quá lớn hoặc quá nhỏ so với đoạn khảo sát sẽ không được ghi nhận.

Hình 4.2: Đo bề rộng vết nứt

4.3.2 Đo chiều dài vết nứt

Để đo chiều dài của đường nứt, cần chia nhỏ đoạn nứt thành các đoạn thẳng Sau đó, tiến hành đo đạc từng đoạn nhỏ và tính tổng chiều dài của toàn bộ đoạn nứt khảo sát.

Hình 4.3: Đo chiều dài vết nứt

Đánh giá sai số đo

Việc đánh giá sai số đo đạc của phần mềm so với ảnh thực tế đƣợc thực hiện trên hai tập mẫu:

 cad_xx : tập các ảnh vết nứt đƣợc vẽ bằng phần mềm AutoCad

 test_xx : tập các ảnh vết nứt được thu thập trực tiếp tại hiện trường

Hình 4.5 Minh họa các vết nứt trong tập mẫu thử nghiệm

Hình 4.4: Ví dụ về vết nứt đƣợc vẽ trên CAD

Tập ảnh mẫu vẽ trên Cad có độ rộng 0,1cm cho phép đo chính xác chiều dài và chiều rộng của vết nứt, từ đó phản ánh chất lượng phần mềm đo đạc Kết quả từ phần mềm, như thể hiện trong Bảng 1, cho thấy độ chính xác cao Tập mẫu thử nghiệm thứ hai bao gồm các ảnh mẫu thu thập từ hiện trường, giúp cung cấp thông tin thực tế về tình trạng vết nứt.

Việc thập thập tại hiện trường bằng camera điện thoại và đo đạc thủ công bằng thước dẫn đến sai số trong kết quả đo, do phương pháp đo không chính xác và ảnh hưởng từ nhiễu trên ảnh Do đó, sai số khi đo đạc ở các mẫu này gia tăng đáng kể.

Bảng 1: Số liệu đánh giá kết quả đo

Mẫu Đo thực tế Đo trên ảnh Sai số

Rộng(cm) Dài(cm) Rộng(cm) Dài(cm) Rộng

Dài (%) cad_01 0.100 49.500 0.098 49.456 2.00 0.09 cad_02 0.100 52.100 0.101 52.118 1.00 0.03 cad_03 0.100 61.200 0.084 60.865 16.00 0.55 cad_04 0.100 51.600 0.101 48.039 1.00 6.90 cad_05 0.100 33.500 0.095 32.303 5.00 3.57 test_01 0.110 22.000 0.124 24.902 12.73 13.19 test_02 0.200 29.000 0.232 27.192 16.00 6.23 test_03 0.200 33.500 0.235 34.626 17.50 3.36 test_04 0.125 33.000 0.112 30.627 10.40 7.19 test_05 0.110 20.000 0.129 21.915 17.27 9.58 test_06 0.100 32.200 0.096 36.124 4.00 12.19 test_07 0.162 39.000 0.134 35.146 17.28 9.88 test_08 0.250 40.100 0.203 35.637 18.80 11.13

Hình 4.6: Nguyên nhân sai số lớn ở mẫu cad_03

Sai số mẫu trong hình cad_03 xuất phát từ việc ảnh vẽ từ CAD bị mờ ở một số vùng, như thể hiện trong Hình 4.6 Những khu vực mờ này, khi qua bộ phân ngưỡng, sẽ bị mất đi, dẫn đến kết quả đo đạc độ rộng không chính xác tại các điểm này.

Sai số lớn ở độ tuổi 48 là một điểm yếu của giải thuật hiện tại, khiến kết quả đo rất nhạy cảm với nhiễu, đặc biệt đối với các đối tượng có kích thước nhỏ như chiều rộng Điều này được thể hiện qua việc sai số đo đạc chiều rộng trên tập mẫu chụp thực tế thường lớn hơn so với chiều dài.