Deep Learning-Enhanced Automated Visual Inspection for Improved Structural Health Monitoring

تسعى هذه الدراسة إلى استكشاف تكامل خوارزميات التعلم العميق في أنظمة الارتباط الرقمي للصور (DIC) بهدف تعزيز قدرات رصد صحة المنشآت (SHM) ضمن مجال الهندسة المدنية. يتم بناء مجموعة بيانات شاملة تجمع بين صور مثبتة تجريبيًا وصور مستمدة من المراجع العلمية. ومن ثم يتم توظيف هذه البيانات في عملية تدريب نماذج التعلم العميق. حيث تستفيد هذه النماذج من تقنيات التعلم التشغيلي ومعالجة اللغة الطبيعية، مثل المحولات العصبونية، لتحقيق قياسات أفضل للإزاحة والإجهاد، وكذلك الكشف عن التشققات وتصنيف التلف في مواد الخرسانة. علاوة على ذلك، يتم تنفيذ عملية تحسين تكراري (Optimization) مما يسمح بالارتقاء المستمر بنموذج التعلم العميق مع توافر بيانات جديدة. خلال مرحلة التطوير، يخضع نظام DIC العميق لعملية تحقق صحة (validation) تشمل سيناريوهات واقعية مثل الاختبارات المعملية والتطبيقات الميدانية. يركز البحث على استخدام تقنيات التفسير (interpretability techniques) بهدف معالجة التحديات المتعلقة بعدم الشفافية الذي غالبًا ما يرتبط بنماذج التعلم العميق. وهذا من شأنه أن يعزز الثقة بالمستخدم ويساهم في فهم أعمق لعمليات صنع القرار التي تقوم بها هذه النماذج. من المتوقع أن يُسفر النهج المقترح عن تحسين ملحوظ في دقة وفعالية التقييمات الإنشائية، مما يترتب عليه تحقيق بنية تحتية أكثر أمانًا وديمومة. بالإضافة إلى ذلك، يمكن أن تحقق هذه الدراسة فوائد اقتصادية من خلال الكشف المبكر عن العيوب. علاوة على ذلك، فإن البحث يُعزز من التعاون بين التخصصات المختلفة ويمتلك القدرة على التأثير على ممارسات الهندسة المدنية الدولية. تجدر الإشارة إلى أن هذه الدراسة تتوافق مع أهداف مؤسسة الكويت للتقدم العلمي (KFAS) من خلال تحويل طرق فحص المنشآت نحو التحول الرقمي بما يتماشى مع رؤية الكويت 2035.

This study investigates the integration of deep learning algorithms into Digital Image Correlation (DIC) systems to enhance Structural Health Monitoring (SHM) capabilities within the field of civil engineering. A comprehensive dataset is assembled, encompassing experimental recorded, and literature-derived images. This data is then employed to train the deep learning models. Operator learning and natural language processing techniques, such as transformers, are leveraged by the models to achieve improved displacement and strain measurements, crack detection, and damage classification in concrete materials. An iterative refinement process is implemented, allowing for continuous model improvement as new data becomes available. The deep DIC system undergoes validation within real-world scenarios, including laboratory tests and field applications. Emphasis is placed on interpretability techniques throughout the development process. This is done to address concerns regarding the lack of transparency often associated with deep learning models, ultimately fostering user trust and a deeper understanding of their decision-making processes. The proposed approach can significantly improve the accuracy and efficiency of structural assessments. safer and more durable infrastructure, with additional economic benefits realized through the early detection of defects. Furthermore, the research fosters interdisciplinary collaboration and has the potential to influence international civil engineering practices. This study aligns with the goals of the Kuwait Foundation for the Advancement of Sciences (KFAS) by transforming structural inspection methods towards digital transformation in line with Kuwait's Vision 2035. Keywords: Non-destructive Testing (NDT) Preventive Maintenance Deep Learning, DIC (Digital Image Correlation), Structu