BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  25,096,064
  • Công bố khoa học và công nghệ Việt Nam

67

Kỹ thuật xây dựng

BB

Ngo Thanh Binh, Ngo Van Minh, Vu Ngoc Linh, Pham Tuan Dung, Vũ Ngọc Linh(1)

Phát hiện vết nứt trên bề mặt bê tông bằng mô hình lượng tử hóa YOLOv8

Crack detection on concrete surfaces using the YOLOv8 quantization model

Tạp chí Khoa học Giao thông vận tải

2025

4

489-503

1859-2724

Lượng tử hóa, YOLOv8, Xử lý hình ảnh, Phát hiện vết nứt, Cấu trúc bê tông

Quantization, YOLOv8, Image-processing, Crack detection, Concrete structures

Tình trạng bề mặt kết cấu bê tông, quan trọng nhất là tình trạng vết nứt trên bề mặt và sự phát triển của chúng theo thời gian, là một tiêu chí quan trọng và phổ biến được sử dụng để chẩn đoán tình trạng sức khỏe và xác định tuổi thọ của chúng. Việc thu thập, xác định và giám sát nhanh chóng bề mặt kết cấu bê tông để đánh giá tình trạng kết cấu cầu đòi hỏi một hệ thống phản ứng nhanh có thể đáp ứng tốc độ thực tế của quá trình kiểm tra. Bài viết này giới thiệu một mô hình lượng tử hóa YOLOv8 để phát hiện vết nứt nhanh chóng trong các kết cấu bê tông, tận dụng khả năng tăng tốc GPU phù hợp để phân tích video thời gian thực trong quá trình kiểm tra cầu. Phương pháp này kết hợp cân bằng biểu đồ và tăng cường hình ảnh để giảm thiểu các vấn đề về ánh sáng và cải thiện khả năng hiển thị vết nứt. Lượng tử hóa INT8 làm giảm kích thước mô hình và tăng tốc xử lý trong khi vẫn duy trì độ chính xác thông qua hiệu chuẩn tập dữ liệu. Được chuyển đổi thành TensorRT và tích hợp vào đường ống suy luận để tối ưu hóa quản lý GPU và bộ nhớ, mô hình lượng tử hóa YOLOv8 đạt được ít nhất 30 FPS khi sử dụng cảnh quay video full HD. Các thử nghiệm thực địa với GPU NVIDIA đã chứng minh thời gian xử lý giảm 5 lần, FPS tăng 5 lần và khả năng sử dụng GPU được cải thiện 6 lần, đồng thời vẫn duy trì mức sử dụng RAM tương tự. Mô hình lượng tử YOLOv8 được tối ưu hóa cho GPU NVIDIA, đạt được sự cân bằng giữa độ chính xác và tốc độ xử lý, cho phép công nhân phân tích video full HD theo thời gian thực với tốc độ ít nhất 30 FPS trong quá trình kiểm tra thực địa

The condition of concrete structures’ surfaces, most importantly the condition of cracks on the surface and their development over time, is an important and common criterion used to diagnose health conditions and determine their service life. Rapid collection, identification, and monitoring of concrete structures’ surfaces to assess the condition of bridge structures requires a fast-acting system that can meet the actual speed of the inspection process. This article introduces a YOLOv8 quantization model for rapid crack detection in concrete structures, leveraging GPU acceleration suitable for real-time video analysis during bridge inspections. The method incorporates histogram equalization and image enhancement to mitigate lighting issues and improve crack visibility. INT8 quantization reduces model size and accelerates processing while maintaining accuracy through dataset calibration. Converted to TensorRT and integrated into the inference pipeline for optimized GPU and memory management, the YOLOv8 quantization model achieves at least 30 FPS using full HD video footage. Field tests with NVIDIA GPUs demonstrated a 5x reduction in processing time, a 5x FPS increase, and a 6x improvement in GPU utilization, all while maintaining similar RAM usage. The quantum YOLOv8 model is optimized for NVIDIA GPUs, achieving a balance between accuracy and processing speed, allowing workers to analyze full HD videos in real-time at a rate of at least 30 FPS during field inspections

TTKHCNQG, CVv 287

Xem toàn văn
  • [1] Mukilan (2025 (accessed)), YOLOv8 Architecture (WandB report),WandB
  • [2] Ultralytics (2023), Ultralytics YOLOv8 (GitHub repository),GitHub
  • [3] P. Kaur, B. S. Khehra, E. B. S. Mavi (2021), Data Augmentation for Object Detection: A Review,IEEE MWSCAS
  • [4] Yanjun Li (2024), Mathematical Modeling Methods and Their Application in the Analysis of Complex Signal System,Advances in Mathematical Physics
  • [5] Guanting Ye, Jinsheng Qu, Jintai Tao, et al. (2023), Autonomous surface crack identification of concrete structures using YOLOv7,Journal of Building Engineering
  • [6] viraja1 (2025 (accessed)), Crack detection (GitHub repository),GitHub
  • [7] Long Ngo, Chieu Luong Xuan, Hoang Minh Luong, et al. (2023), Designing image processing tools for testing concrete bridges by a drone based on deep learning,Journal of Information and Telecommunication
  • [8] Xiaoning Cui, Qicai Wang, Jinpeng Dai, et al. (2021), Intelligent recognition of erosion damage to concrete based on improved YOLO-v3,Materials Letters
  • [9] Xincong Yang, Heng Li, Yantao Yu, et al. (2018), Automatic pixel‐level crack detection and measurement using fully convolutional network,Computer-Aided Civil and Infrastructure Engineering
  • [10] L. Zhang, F. Yang, Y. Daniel Zhang, Y. J. Zhu (2016), Road crack detection using deep convolutional neural network,IEEE ICIP 2016
  • [11] Fu Tao Ni, Jian Zhang, ZhiQiang Chen (2019), Pixel‐level crack delineation in images with convolutional feature fusion,Structural Control and Health Monitoring
  • [12] Y. Shi, L. Cui, Z. Qi, F. Meng, Z. Chen (2016), Automatic Road Crack Detection Using Random Structured Forests,IEEE Transactions on Intelligent Transportation Systems
  • [13] H. Oliveira, P. L. Correia (2013), Automatic Road Crack Detection and C-haracterization,IEEE Transactions on Intelligent Transportation Systems
  • [14] A. Cubero-Fernandez, F.J. Rodriguez-Lozano, et al. (2017), Efficient pavement crack detection and classification,Journal of Image and Video Processing
  • [15] L. Ying, E. Salari (2009), Beamlet transform based technique for pavement image processing and classification,IEEE Electro/Information Technology Conference
  • [16] R. G. Lins, S. N. Givigi (2016), Automatic Crack Detection and Measurement Based on Image Analysis,IEEE Transactions on Instrumentation and Measurement
  • [17] Y. Fujita, Y. Hamamoto (2011), A robust automatic crack detection method f-rom noisy concrete surfaces,Machine Vision and Applications
  • [18] M. Salman, S. Mathavan, K. Kamal, M. Rahman (2013), Pavement crack detection using the Gabor filter,IEEE ITSC 2013
  • [19] T. Nishikawa, J. Yoshida, T. Sugiyama, Y. Fujino (2012), Concrete crack detection by multiple sequential image filtering,Computer-Aided Civil and Infrastructure Engineering
  • [20] Chul Min Yeum, Shirley J. Dyke (2015), Vision‐based automated crack detection for bridge inspection,Computer-Aided Civil and Infrastructure Engineering
  • [21] Ngo Van Minh (2019), Influence of shear stress to the formation of inclined cracks in webs of post-tensioned concrete box girder bridge,Transport and Communications Science Journal
  • [22] M. Gavilán, D. Balcones, O. Marcos, et al. (2011), Adaptive Road Crack Detection System by Pavement Classification,Sensors
  • [23] Q. Zou, Y. Cao, Q. Li, Q. Mao, S. Wang (2012), CrackTree: Automatic crack detection f-rom pavement images,Pattern Recognition Letters