Published December 1, 2023
| Version v1
Publication
Classification of defects in wooden structures using pre-trained models of convolutional neural network
Creators
- 1. University of Engineering and Technology Taxila
- 2. University of Memphis
- 3. Qatar University
Description
Wooden structures, over time, are challenged by different types of defects. Due to mechanical and weathering effects, these defects can occur in the form of cracks, live and dead knots, dampness, and others. Because of the risk of damage or complete failure, treatment of these defects is necessary, but doing so necessitates their proper identification and classification (categorization). Crack identification and categorization must be part of the inspection procedure for engineering structures in the built environment. Convolutional neural networks (CNNs), a sub-type of Deep Learning (DL), can automatically classify the images of wooden structures to identify such defects. In this study, ten pre-trained models of CNN, namely ResNet18, ResNet50, ResNet101, ShuffleNet, GoogLeNet, Inception-V3, MobileNet-V2, Xception, Inception-ResNet-V2, and NASNet-Mobile are evaluated for the tasks of classification and prediction of defects in wooden structures. Each pre-trained CNN model is additionally trained and validated on an image dataset of 9,000 images, equally divided into three classes: cracks, knots, and intact (undamaged). A smaller dataset of 300 images is separately used for testing purposes. Statistical parameters such as accuracy, precision, recall, and F1-score are computed for each CNN model. The Inception-V3 model proved to be the best CNN model for classifying defects in wooden structures based on the model's accuracy, processing time and overall performance.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تواجه الهياكل الخشبية، بمرور الوقت، أنواعًا مختلفة من العيوب. بسبب التأثيرات الميكانيكية والتجوية، يمكن أن تحدث هذه العيوب في شكل تشققات، وعقدة حية وميتة، ورطوبة، وغيرها. بسبب خطر التلف أو الفشل الكامل، فإن معالجة هذه العيوب ضرورية، ولكن القيام بذلك يتطلب تحديدها وتصنيفها بشكل صحيح (التصنيف). يجب أن يكون تحديد الشقوق وتصنيفها جزءًا من إجراءات الفحص للهياكل الهندسية في البيئة المبنية. يمكن للشبكات العصبية الالتفافية (CNNs)، وهي نوع فرعي من التعلم العميق (DL)، تصنيف صور الهياكل الخشبية تلقائيًا لتحديد مثل هذه العيوب. في هذه الدراسة، يتم تقييم عشرة نماذج مدربة مسبقًا من CNN، وهي ResNet18 و ResNet50 و ResNet101 و ShuffleNet و GoogLeNet و Inception - V3 و MobileNet - V2 و Xception و Inception - ResNet - V2 و NASNet - Mobile لمهام التصنيف والتنبؤ بالعيوب في الهياكل الخشبية. بالإضافة إلى ذلك، يتم تدريب كل نموذج CNN مدرب مسبقًا والتحقق من صحته على مجموعة بيانات صور من 9000 صورة، مقسمة بالتساوي إلى ثلاث فئات: الشقوق والعقد والسليمة (غير التالفة). يتم استخدام مجموعة بيانات أصغر من 300 صورة بشكل منفصل لأغراض الاختبار. يتم حساب المعلمات الإحصائية مثل الدقة والتذكر ودرجة F1 لكل نموذج CNN. أثبت نموذج Inception - V3 أنه أفضل نموذج CNN لتصنيف العيوب في الهياكل الخشبية بناءً على دقة النموذج ووقت المعالجة والأداء العام.Translated Description (French)
Les structures en bois, au fil du temps, sont confrontées à différents types de défauts. En raison des effets mécaniques et des intempéries, ces défauts peuvent se produire sous la forme de fissures, de nœuds vivants et morts, d'humidité et autres. En raison du risque de dommage ou de défaillance complète, le traitement de ces défauts est nécessaire, mais cela nécessite leur identification et leur classification appropriées (catégorisation). L'identification et la catégorisation des fissures doivent faire partie de la procédure d'inspection des structures d'ingénierie dans l'environnement bâti. Les réseaux neuronaux convolutionnels (CNN), un sous-type de Deep Learning (DL), peuvent automatiquement classer les images de structures en bois pour identifier de tels défauts. Dans cette étude, dix modèles pré-entraînés de CNN, à savoir ResNet18, ResNet50, ResNet101, ShuffleNet, GoogLeNet, Inception-V3, MobileNet-V2, Xception, Inception-ResNet-V2 et NASNet-Mobile sont évalués pour les tâches de classification et de prédiction des défauts dans les structures en bois. Chaque modèle CNN pré-entraîné est en outre formé et validé sur un ensemble de données d'images de 9 000 images, également réparties en trois classes : fissures, nœuds et intactes (non endommagées). Un ensemble de données plus petit de 300 images est utilisé séparément à des fins de test. Des paramètres statistiques tels que l'exactitude, la précision, le rappel et le score F1 sont calculés pour chaque modèle CNN. Le modèle Inception-V3 s'est avéré être le meilleur modèle CNN pour classer les défauts dans les structures en bois en fonction de la précision, du temps de traitement et des performances globales du modèle.Translated Description (Spanish)
Las estructuras de madera, con el tiempo, se ven desafiadas por diferentes tipos de defectos. Debido a los efectos mecánicos y de la intemperie, estos defectos pueden ocurrir en forma de grietas, nudos vivos y muertos, humedad y otros. Debido al riesgo de daño o fallo completo, el tratamiento de estos defectos es necesario, pero hacerlo requiere su correcta identificación y clasificación (categorización). La identificación y categorización de grietas debe ser parte del procedimiento de inspección de estructuras de ingeniería en el entorno construido. Las redes neuronales convolucionales (CNN), un subtipo de aprendizaje profundo (DL), pueden clasificar automáticamente las imágenes de estructuras de madera para identificar dichos defectos. En este estudio, se evalúan diez modelos pre-entrenados de CNN, a saber, ResNet18, ResNet50, ResNet101, ShuffleNet, GoogLeNet, Inception-V3, MobileNet-V2, Xception, Inception-ResNet-V2 y NASNet-Mobile para las tareas de clasificación y predicción de defectos en estructuras de madera. Cada modelo CNN previamente entrenado se entrena y valida adicionalmente en un conjunto de datos de imágenes de 9.000 imágenes, divididas por igual en tres clases: grietas, nudos e intactos (sin daños). Un conjunto de datos más pequeño de 300 imágenes se utiliza por separado con fines de prueba. Se calculan parámetros estadísticos como la exactitud, la precisión, la recuperación y la puntuación F1 para cada modelo CNN. El modelo Inception-V3 demostró ser el mejor modelo de CNN para clasificar defectos en estructuras de madera en función de la precisión del modelo, el tiempo de procesamiento y el rendimiento general.Additional details
Additional titles
- Translated title (Arabic)
- تصنيف العيوب في الهياكل الخشبية باستخدام نماذج مدربة مسبقًا للشبكة العصبية الالتفافية
- Translated title (French)
- Classification des défauts dans les structures en bois à l'aide de modèles pré-entraînés de réseau neuronal convolutif
- Translated title (Spanish)
- Clasificación de defectos en estructuras de madera utilizando modelos pre-entrenados de red neuronal convolucional
Identifiers
- Other
- https://openalex.org/W4387339816
- DOI
- 10.1016/j.cscm.2023.e02530
References
- https://openalex.org/W2117539524
- https://openalex.org/W2183341477
- https://openalex.org/W2194775991
- https://openalex.org/W2279098554
- https://openalex.org/W2468676150
- https://openalex.org/W2508888358
- https://openalex.org/W2531409750
- https://openalex.org/W2555996110
- https://openalex.org/W2570343428
- https://openalex.org/W2618530766
- https://openalex.org/W2620699831
- https://openalex.org/W2625840022
- https://openalex.org/W2757455114
- https://openalex.org/W2768052468
- https://openalex.org/W2800036851
- https://openalex.org/W2883710654
- https://openalex.org/W2894665398
- https://openalex.org/W2896969435
- https://openalex.org/W2955425717
- https://openalex.org/W2962835968
- https://openalex.org/W2963125010
- https://openalex.org/W2964081807
- https://openalex.org/W2964350391
- https://openalex.org/W2982157083
- https://openalex.org/W2986442261
- https://openalex.org/W2994590618
- https://openalex.org/W3033281326
- https://openalex.org/W3035841695
- https://openalex.org/W3093468414
- https://openalex.org/W3097740275
- https://openalex.org/W3158773791
- https://openalex.org/W3163789200
- https://openalex.org/W3182843231
- https://openalex.org/W3193768753
- https://openalex.org/W3203241482
- https://openalex.org/W3207634234
- https://openalex.org/W3213693699
- https://openalex.org/W4200025715
- https://openalex.org/W4206385156
- https://openalex.org/W4210253497
- https://openalex.org/W4220682081
- https://openalex.org/W4247765127
- https://openalex.org/W4281694844
- https://openalex.org/W4281933943
- https://openalex.org/W4283641915
- https://openalex.org/W4288433125
- https://openalex.org/W4289295531
- https://openalex.org/W4292723083
- https://openalex.org/W4297775537
- https://openalex.org/W4306937146
- https://openalex.org/W4309955902
- https://openalex.org/W4312314014
- https://openalex.org/W4377021059
- https://openalex.org/W4382792520
- https://openalex.org/W4383893984
- https://openalex.org/W4386047745