Τεχνικές εξαγωγής σημείων ενδιαφέροντος σε τούνελ από σκυρόδεμαΤεχνικές εξαγωγής σημείων ενδιαφέροντος σε τούνελ από σκυρόδεμα Διπλωματική Εργασία Diploma Work 2015-08-252015elΤον τελευταίο καιρό το ενδιαφέρον της ανίχνευσης ρωγμών και θρυμματισμών στα τούνελ έχει αυξηθεί. Αρκετά τούνελ βρίσκονται σε λειτουργία πολλά χρόνια, ενώ το κόστος κατασκευής ενός νέου τούνελ είναι πολύ υψηλό. Η ύπαρξη πολλών ατυχημάτων, κατά καιρούς, έχει καταστήσει την παρακολούθηση και ανίχνευση της δομικής τους κατάστασης επιτακτική. Στην παρούσα διπλωματική εργασία, δημιουργήθηκε ένας αλγόριθμος, στον οποίο χρησιμοποιήθηκαν και αξιολογήθηκαν πέντε διαφορετικοί ανιχνευτές που πάρθηκαν από την εργαλειοθήκη της Matlab, με απώτερο σκοπό την ανίχνευση ρωγμών και θρυμματισμών στην εσωτερική επένδυση ενός τούνελ από σκυρόδεμα. Τα δεδομένα που χρησιμοποιήθηκαν ήταν 37 πραγματικές φωτογραφίες από το τούνελ V-S-H της Ελβετίας. Κάθε μια από τις 37 φωτογραφίες, έχει την αντίστοιχή της σχολιαστική εικόνα (annotation image), η οποία εμπεριέχει τις ακριβείς συντεταγμένες των ελαττωματικών σημείων του σκυροδέματος. Οι πραγματικές φωτογραφίες, σε συνδυασμό με τις αντίστοιχες τους σχολιαστικές εικόνες, χρησιμοποιούνται προκειμένου να ανευρεθούν και να διαχωριστούν, τα ελαττωματικά σημεία θρυμματισμών και ρωγμών, από τα σημεία που δεν είναι ελαττωματικά σε δομικό επίπεδο. Τα σημεία αυτά χρησιμοποιούνται για την αξιολόγηση των ανιχνευτών και, κατ’ επέκταση, την εξαγωγή συμπερασμάτων. Συμπερασματικά, ο ανιχνευτής SURF δίνει τα πιο εύρωστα αποτελέσματα ως προς την συνολική αξιολόγηση των ελλατωμάτων των τούνελ σκυροδέματος. Εν αντιθέσει, ο Harris παρουσιάζει καλύτερη απόδοση στον εντοπισμό των θρυμματισμών ενώ ο BRISK για τις ρωγμές. Recently, the detection of structural defects (cracks and spallings) has been of great interest. Several tunnels have been in operation for many years, while the cost of a new tunnel construction is very high. Occasionally, there have been many accidents, which require the immediate inspection and detection of their structural state. In this diploma thesis, we developed an algorithm, which uses and assesses five different detectors from the Computer Vision Matlab toolbox. Our ultimate goal is to detect cracks and spallings in the inner concrete lining of a tunnel. The data used are 37 real-time images of the tunnel V-S-H in Switzerland. Each one of the 37 images, has its respective annotation image, which includes the exact coordinates of the defective points of the concrete lining. We use these real-time images combined with their respective annotation images, so as to find and separate the defective points (cracks and spallings), from the structurally non-defective points. These points are used to assess the detectors selected, thus to reach a useful conclusion. In conclusion, SURF descriptor yields the most robust results as regards the total defects of concrete tunnel. On the contrary, Harris presents the best performance in detecting spalling defects while BRISK as for the cracks. http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και ΔιοίκησηςDavaris_Konstantinos_Dip_2015.pdfChania [Greece]Library of TUC2015-08-25application/pdf6.7 MBfree Davaris Konstantinos Δαβαρης Κωνσταντινος Doulamis Anastasios Δουλαμης Αναστασιος Stavroulakis Georgios Σταυρουλακης Γεωργιος Marinakis Ioannis Μαρινακης Ιωαννης Stavroulakis Georgios Σταυρουλακης Γεωργιος Πολυτεχνείο Κρήτης Technical University of Crete Feature detection Machine vision Vision, Computer computer vision machine vision vision computer