Исследователи представили нейросимвольный фреймворк для оценки степени износа канализационных труб, решающий проблему «черного ящика» в классических методах компьютерного зрения. Система разделяет визуальное распознавание дефектов и логический вывод, используя нечеткую логику для интерпретации результатов. Это позволяет повысить прозрачность диагностики и точность классификации повреждений в критической городской инфраструктуре, минимизируя ошибки автоматизированных систем мониторинга.
Традиционные методы оценки состояния труб опираются на прямую классификацию изображений нейросетями, что затрудняет понимание причин, по которым система присваивает тот или иной уровень критичности. Новый подход внедряет промежуточный слой символьных правил, который анализирует признаки, извлеченные нейросетью, и сопоставляет их с инженерными стандартами оценки состояния трубопроводов.
Модуль восприятия построен на архитектуре Swin Transformer, которая эффективно обрабатывает визуальные данные с камер инспекционных роботов. После выделения ключевых характеристик дефектов, таких как трещины или коррозия, данные передаются в систему нечетких правил. Такой гибридный подход обеспечивает интерпретируемость: инженеры могут отследить, какие именно визуальные признаки привели к выводу о необходимости срочного ремонта, что критически важно для принятия решений в сфере ЖКХ.
Ключевые факты
- Фреймворк разделяет визуальное распознавание (Swin Transformer) и символьный логический вывод.
- Использование нечеткой логики позволяет перевести визуальные дефекты в формализованные оценки тяжести повреждений.
- Метод устраняет проблему непрозрачности «черного ящика» в задачах предиктивного обслуживания инфраструктуры.
- Система предназначена для автоматизации инспекций канализационных сетей, снижая зависимость от ручной интерпретации видеозаписей.