Đề tài: Hệ thống tự động nhận dạng & đo khuyết tật kết cấu từ xa

Nghiên cứu thiết kế hệ thống tự động nhận dạng, đo lường khuyết tật kết cấu từ xa qua xử lý ảnh. Giải pháp hiệu quả cho kiểm định công trình.

• Tác giả: Nguyễn Hoàng Nam
• Trường học: Trường Đại học Nguyễn Tất Thành
• Chuyên ngành: Cơ Điện Tử, Kỹ Thuật Ô Tô
• Đề tài: Thiết Kế Và Chế Tạo Hệ Thống Tự Động NhậN Dạng & Đo Lường Khuyết Tật CủA KếT CấU Từ Xa Sử DụNg Phương Pháp Xử Lý HìNh ẢNh
• Loại tài liệu: Báo cáo tổng kết đề tài NCKH
• Năm xuất bản: 2018
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN TÀI LIỆU
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Board mạch điều khiển Arduino
• 2.2. Moduel bluetooth HC-05
• 2.3. LCD
• 2.4. Kiến thức cơ sở về cấu tạo và nguyên lý hoạt động của mô hình
• 3. CHƯƠNG 3: THIẾT KẾ VÀ CHẾ TẠO PHẦN CƠ KHÍ
• 3.1. Tổng quan
• 3.2. Các khớp xoay
• 3.4. Chế tạo Mô hình thực tế
• 4. CHƯƠNG 4: ĐỀ XUẤT CÔNG NGHỆ
• 4.1. Arduino mega 2560
• 4.3. Cảm biến Laser VL53I0X
• 4.4. Driver điều khiển động cơ step
• 4.5. Giới thiệu về xử lý ảnh
• 4.6. Phần mềm để điều khiển động cơ dùng MIT app inventor
• 5. CHẾ TẠO SẢN PHẨM - THỰC NGHIỆM
• 5.1. Mô hình đề tài
• 5.3. Code thực hiện điều khiển chương trình
• 6. KẾT LUẬN VÀ KIẾN NGHỊ
• 6.1. Đánh giá kết quả đạt được
• 6.2. Những hạn chế và hướng khắc phục
• 6.3. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ
• PHỤ LỤC 2 HỢP ĐỒNG, THUYẾT MINH ĐỀ CƯƠNG
• PHỤ LỤC 3: BÀI GIẢNG THỰC HÀNH ĐO KHOẢNG CÁCH BẰNG CẢM BIẾN
• PHỤ LỤC 4: BÀI GIẢNG THỰC HÀNH MATLAB VÀ ỨNG DỤNG

Tóm tắt

I. Tổng Quan Về Phát Hiện Khuyết Tật Kết Cấu Bằng AI Ưu Điểm

Hiện nay, vấn đề đo lường kích thước vật thể từ xa đang thu hút sự quan tâm lớn của các doanh nghiệp. Việc phát hiện và đo lường khuyết tật kết cấu, đặc biệt là vết nứt, có vai trò thiết yếu trong việc bảo dưỡng, phòng tránh thảm họa như động đất, bảo đảm an toàn tòa nhà, kết cấu bê tông. Các phương pháp truyền thống thường tốn thời gian, công sức và độ chính xác hạn chế. Sự ra đời của trí tuệ nhân tạo (AI), đặc biệt là thị giác máy tính, mang đến một cuộc cách mạng trong lĩnh vực này. AI cho phép tự động hóa quá trình nhận diện và đo lường khuyết tật với tốc độ và độ chính xác cao hơn nhiều so với phương pháp thủ công. Điều này không chỉ giúp tiết kiệm chi phí mà còn nâng cao hiệu quả và an toàn trong quá trình kiểm tra, bảo trì các công trình xây dựng và cơ sở hạ tầng. Việc ứng dụng xử lý ảnh giúp xác định các vết nứt một cách chính xác. Trong nghiên cứu [7], Zhu đã sử dụng phương pháp đo lường vết nứt bằng hình ảnh dựa trên hiện tượng khuếch tán điểm ảnh của Yamaguchi [8] để thẩm định tính an toàn của các tòa nhà ngay sau động đất. Việc phát hiện và đo lường vết nứt trong các công trình xây dựng chủ yếu bằng tay nên phương pháp này có thể ứng dụng trong việc bảo trì cầu và các công trình xây dựng quan trọng [17]. Chủ nhiệm đề tài [18] đã phát triển một phương pháp mới có thể phát hiện và đo lường vết nứt hiệu quả trong các điều kiện ánh sáng thay đổi và màu sắc hình ảnh có nhiều pha không đều.

1.1. Ưu Điểm Của Phương Pháp Phát Hiện Khuyết Tật Tự Động

Phương pháp phát hiện khuyết tật tự động bằng AI mang lại nhiều ưu điểm vượt trội so với phương pháp truyền thống. Đầu tiên, nó giúp tăng tốc độ kiểm tra đáng kể. Hệ thống AI có thể xử lý lượng lớn dữ liệu hình ảnh trong thời gian ngắn, từ đó nhanh chóng phát hiện và đánh giá tình trạng khuyết tật. Thứ hai, độ chính xác được cải thiện đáng kể. AI có khả năng phân tích hình ảnh chi tiết và loại bỏ các yếu tố gây nhiễu, giúp phát hiện các khuyết tật nhỏ mà phương pháp thủ công có thể bỏ sót. Thứ ba, giảm thiểu sự can thiệp của con người. Hệ thống tự động có thể hoạt động liên tục và ổn định, giảm thiểu sai sót do yếu tố chủ quan hoặc mệt mỏi. Cuối cùng, phương pháp này có thể dễ dàng tích hợp với các hệ thống quản lý thông tin khác, giúp theo dõi và quản lý tình trạng kết cấu một cách hiệu quả. Theo [1], kỹ thuật xử lý ảnh hiện nay đã và đang được áp dụng rộng rãi trong kỹ thuật xây dựng và cơ khí.

1.2. Tổng Quan Về Các Thuật Toán AI Trong Phát Hiện Khuyết Tật

Có nhiều thuật toán AI được sử dụng trong phát hiện khuyết tật, mỗi thuật toán có ưu điểm và phù hợp với từng loại khuyết tật và điều kiện môi trường khác nhau. Các thuật toán phổ biến bao gồm: mạng nơ-ron tích chập (CNN), mạng nơ-ron tái phát (RNN), máy học có giám sát (supervised learning), máy học không giám sát (unsupervised learning) và các thuật toán xử lý ảnh truyền thống kết hợp với học sâu (deep learning). CNN thường được sử dụng để phân loại và phát hiện đối tượng trong hình ảnh, RNN thích hợp cho việc phân tích chuỗi thời gian và dự đoán xu hướng, còn các thuật toán học không giám sát có thể giúp phát hiện các bất thường hoặc khuyết tật mà không cần dữ liệu huấn luyện gắn nhãn. Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của khuyết tật, chất lượng dữ liệu và yêu cầu về độ chính xác và tốc độ xử lý.

II. Thách Thức Trong Nhận Dạng Khuyết Tật Kết Cấu Tự Động Bằng AI

Mặc dù tiềm năng lớn, việc triển khai nhận dạng khuyết tật kết cấu tự động bằng AI vẫn đối mặt với nhiều thách thức đáng kể. Một trong những thách thức lớn nhất là sự đa dạng của khuyết tật. Khuyết tật kết cấu có thể xuất hiện dưới nhiều hình thức khác nhau, từ các vết nứt nhỏ đến các hư hỏng lớn, và có thể bị ảnh hưởng bởi nhiều yếu tố như ánh sáng, môi trường và vật liệu. Điều này đòi hỏi các hệ thống AI phải có khả năng thích ứng và xử lý dữ liệu đa dạng để đảm bảo độ chính xác cao. Thêm vào đó, việc thu thập và gắn nhãn dữ liệu huấn luyện chất lượng cao cũng là một thách thức lớn. Các hệ thống AI cần được huấn luyện trên một lượng lớn dữ liệu để có thể học và nhận diện các khuyết tật một cách chính xác. Tuy nhiên, việc thu thập và gắn nhãn dữ liệu này có thể tốn kém và mất thời gian. Các phương pháp đo lường vết nứt từ hình ảnh 2 pha hiện tại yêu cầu người sử dụng cần khoanh vùng xử lý xung quanh vết nứt để đảm bảo hình ảnh chỉ chứa 2 pha. Hiện nay chưa có phương pháp xử lý hình ảnh hiệu quả để đo lường hiệu quả vết nứt trong hình ảnh có nhiều hơn 2 pha mặc dù trong thực tế hình ảnh chứa vết nứt có nhiều hơn 2 pha phổ biến hơn.

2.1. Ảnh Hưởng Của Ánh Sáng Và Môi Trường Đến Độ Chính Xác

Ánh sáng và môi trường là hai yếu tố quan trọng có thể ảnh hưởng đáng kể đến độ chính xác của hệ thống phát hiện khuyết tật bằng AI. Sự thay đổi ánh sáng có thể làm thay đổi màu sắc và độ tương phản của hình ảnh, gây khó khăn cho việc nhận diện khuyết tật. Môi trường khắc nghiệt, chẳng hạn như bụi bẩn, ẩm ướt hoặc nhiệt độ cao, cũng có thể làm giảm chất lượng hình ảnh và gây nhiễu cho hệ thống. Để giải quyết vấn đề này, cần sử dụng các kỹ thuật tiền xử lý hình ảnh để loại bỏ nhiễu và điều chỉnh ánh sáng, đồng thời sử dụng các thuật toán AI có khả năng thích ứng với các điều kiện môi trường khác nhau. Việc sử dụng các cảm biến chuyên dụng có khả năng hoạt động trong môi trường khắc nghiệt cũng có thể giúp cải thiện độ chính xác.

2.2. Yêu Cầu Về Dữ Liệu Huấn Luyện Chất Lượng Cao Cho AI

Chất lượng dữ liệu huấn luyện đóng vai trò then chốt trong việc đảm bảo hiệu quả của hệ thống AI. Dữ liệu huấn luyện cần phải đa dạng, đầy đủ và chính xác để hệ thống có thể học và nhận diện các khuyết tật một cách chính xác. Việc gắn nhãn dữ liệu cũng cần được thực hiện cẩn thận để đảm bảo tính nhất quán và tránh sai sót. Ngoài ra, cần có các phương pháp đánh giá và kiểm tra chất lượng dữ liệu để đảm bảo rằng dữ liệu huấn luyện đáp ứng các yêu cầu cần thiết. Trong nhiều trường hợp, việc sử dụng các kỹ thuật tăng cường dữ liệu (data augmentation) có thể giúp tăng cường số lượng và đa dạng của dữ liệu huấn luyện.

III. Phương Pháp Nhận Dạng Khuyết Tật Dựa Trên Xử Lý Ảnh Và Học Sâu

Một trong những phương pháp hiệu quả nhất để nhận dạng khuyết tật kết cấu tự động là kết hợp xử lý ảnh và học sâu. Xử lý ảnh được sử dụng để tiền xử lý hình ảnh, loại bỏ nhiễu và tăng cường các đặc trưng quan trọng. Học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), được sử dụng để học các đặc trưng phức tạp và phân loại các loại khuyết tật khác nhau. Quá trình này thường bao gồm các bước sau: thu thập dữ liệu hình ảnh, tiền xử lý hình ảnh, trích xuất đặc trưng, huấn luyện mô hình học sâu và đánh giá hiệu suất mô hình. Việc sử dụng các kiến trúc CNN tiên tiến, chẳng hạn như ResNet, Inception hoặc EfficientNet, có thể giúp cải thiện độ chính xác và hiệu quả của hệ thống. Kỹ thuật xử lý ảnh hiện nay đã và đang được áp dụng rộng rãi trong kỹ thuật xây dựng và cơ khí [1].

3.1. Tiền Xử Lý Ảnh Để Tăng Cường Chất Lượng Hình Ảnh

Tiền xử lý ảnh là một bước quan trọng trong quá trình nhận dạng khuyết tật bằng AI. Mục tiêu của tiền xử lý là cải thiện chất lượng hình ảnh và loại bỏ các yếu tố gây nhiễu, giúp hệ thống AI dễ dàng nhận diện các đặc trưng quan trọng. Các kỹ thuật tiền xử lý phổ biến bao gồm: lọc nhiễu (noise filtering), điều chỉnh độ tương phản (contrast enhancement), cân bằng histogram (histogram equalization), làm sắc nét (sharpening) và chuẩn hóa (normalization). Việc lựa chọn các kỹ thuật tiền xử lý phù hợp phụ thuộc vào đặc điểm của hình ảnh và loại nhiễu cần loại bỏ. Chẳng hạn, lọc Gaussian thường được sử dụng để loại bỏ nhiễu Gaussian, trong khi làm sắc nét có thể giúp làm nổi bật các đường biên và chi tiết.

3.2. Ứng Dụng Mạng Nơ Ron Tích Chập CNN Trong Phân Loại Khuyết Tật

Mạng nơ-ron tích chập (CNN) là một loại mạng nơ-ron đặc biệt được thiết kế để xử lý dữ liệu hình ảnh. CNN có khả năng học các đặc trưng phức tạp từ hình ảnh thông qua các lớp tích chập và lớp gộp. Các lớp tích chập sử dụng các bộ lọc để trích xuất các đặc trưng cục bộ, trong khi các lớp gộp giảm kích thước của dữ liệu và tăng tính bất biến đối với các biến đổi hình học. CNN đã được chứng minh là rất hiệu quả trong việc phân loại và phát hiện đối tượng trong hình ảnh, và nó cũng được sử dụng rộng rãi trong nhận dạng khuyết tật kết cấu. Các kiến trúc CNN tiên tiến, chẳng hạn như ResNet, Inception hoặc EfficientNet, có thể giúp cải thiện độ chính xác và hiệu quả của hệ thống.

IV. Ứng Dụng Thực Tế Hệ Thống Đo Lường Khuyết Tật Tự Động

Việc phát triển một hệ thống đo lường khuyết tật tự động đòi hỏi sự kết hợp của nhiều công nghệ khác nhau, bao gồm thị giác máy tính, robotics và Internet of Things (IoT). Hệ thống này có thể được sử dụng để kiểm tra và đánh giá tình trạng kết cấu của các công trình xây dựng, cầu đường, nhà máy và các cơ sở hạ tầng khác. Hệ thống thường bao gồm các thành phần sau: camera hoặc cảm biến hình ảnh, hệ thống định vị và di chuyển, bộ xử lý và phần mềm phân tích, và hệ thống truyền thông để gửi dữ liệu đến trung tâm điều khiển. Sử dụng cảm biến Laser Range Finder có thể đo khoảng cách 2m. Máy chụp hình kỹ thuật số độ phân giải 18 Megapixel, với ống kính tích hợp có tiêu cự 123 mm. Phần mềm matlab đo và chuyển đổi đơn vị đo từ pixel sang mm. Thời gian xử lý đo toàn bộ độ rộng dọc theo vết nứt trong một ảnh từ 1-10 phút trên máy tính cá nhân.

4.1. Thiết Kế Và Chế Tạo Robot Kiểm Tra Khuyết Tật Tự Động

Việc sử dụng robot để kiểm tra khuyết tật tự động mang lại nhiều lợi ích, bao gồm khả năng tiếp cận các khu vực nguy hiểm hoặc khó tiếp cận, khả năng hoạt động liên tục và ổn định, và khả năng thu thập dữ liệu chính xác và chi tiết. Robot kiểm tra khuyết tật thường được trang bị camera hoặc cảm biến hình ảnh, hệ thống định vị và di chuyển, và bộ điều khiển. Robot có thể được lập trình để di chuyển theo một lộ trình định sẵn và thu thập dữ liệu hình ảnh hoặc dữ liệu cảm biến tại các vị trí quan trọng. Các robot này có thể tích hợp các cảm biến laser, cảm biến siêu âm, hoặc các cảm biến khác để thu thập thông tin về tình trạng kết cấu.

4.2. Tích Hợp Dữ Liệu Từ IoT Cho Giám Sát Kết Cấu Từ Xa

Việc tích hợp dữ liệu từ Internet of Things (IoT) có thể giúp giám sát tình trạng kết cấu từ xa và đưa ra các quyết định bảo trì kịp thời. Các cảm biến IoT có thể được lắp đặt trên các công trình xây dựng, cầu đường hoặc nhà máy để thu thập dữ liệu về các thông số quan trọng, chẳng hạn như nhiệt độ, độ ẩm, độ rung, và ứng suất. Dữ liệu này có thể được truyền về trung tâm điều khiển và phân tích bằng các thuật toán AI để phát hiện các dấu hiệu cảnh báo sớm về hư hỏng hoặc khuyết tật. Việc sử dụng IoT giúp hệ thống hoạt động hiệu quả, giúp quá trình xử lý hình ảnh nhanh chóng hơn.

V. Kết Quả Nghiên Cứu Và Đánh Giá Hiệu Quả Của Hệ Thống AI

Để đánh giá hiệu quả của hệ thống AI trong nhận dạng khuyết tật kết cấu, cần thực hiện các thử nghiệm và so sánh kết quả với các phương pháp truyền thống. Các chỉ số đánh giá quan trọng bao gồm: độ chính xác, độ tin cậy, tốc độ xử lý và chi phí. Độ chính xác đo lường khả năng của hệ thống trong việc nhận diện đúng các loại khuyết tật khác nhau. Độ tin cậy đo lường khả năng của hệ thống trong việc đưa ra các kết quả ổn định và nhất quán. Tốc độ xử lý đo lường thời gian cần thiết để hệ thống phân tích và đưa ra kết quả. Chi phí đo lường tổng chi phí của việc triển khai và vận hành hệ thống. Kết quả đạt được là thiết bị đo tự động, có thể tự động đo lường vết nứt trên các kết cấu bê tông (có màu sắc vết nứt trên các kết cấu bê tông (có màu sắc tương đối đồng đều) từ khoảng cách tối thiểu 30 cm đến trên 1m với sai số 0.1 mm (so với bằng thiết bị đo cơ khí). Sử dụng cảm biến Laser Range Finder có thể đo khoảng cách trên 1m.

5.1. So Sánh Độ Chính Xác Của AI So Với Phương Pháp Thủ Công

So sánh độ chính xác giữa AI và phương pháp thủ công là một yếu tố quan trọng để đánh giá hiệu quả của công nghệ mới. Thông thường, các hệ thống AI được huấn luyện trên một lượng lớn dữ liệu và có khả năng học và nhận diện các đặc trưng phức tạp mà con người có thể bỏ sót. Điều này giúp AI đạt được độ chính xác cao hơn trong việc nhận dạng khuyết tật. Tuy nhiên, độ chính xác của AI cũng phụ thuộc vào chất lượng dữ liệu huấn luyện và điều kiện môi trường. Trong một số trường hợp, phương pháp thủ công có thể cho kết quả tốt hơn nếu được thực hiện bởi các chuyên gia có kinh nghiệm và trang bị đầy đủ kiến thức.

5.2. Đánh Giá Khả Năng Ứng Dụng Trong Các Điều Kiện Thực Tế

Khả năng ứng dụng trong các điều kiện thực tế là một yếu tố quan trọng cần xem xét khi đánh giá một hệ thống AI. Hệ thống cần phải có khả năng hoạt động ổn định và chính xác trong các điều kiện môi trường khác nhau, chẳng hạn như ánh sáng thay đổi, bụi bẩn, ẩm ướt hoặc nhiệt độ cao. Hệ thống cũng cần phải có khả năng thích ứng với các loại khuyết tật khác nhau và các loại vật liệu khác nhau. Việc thực hiện các thử nghiệm trong các điều kiện thực tế là rất quan trọng để đánh giá khả năng ứng dụng của hệ thống.

VI. Tương Lai Của Phát Hiện Khuyết Tật Kết Cấu Tự Động Bằng AI

Tương lai của phát hiện khuyết tật kết cấu tự động bằng AI hứa hẹn nhiều tiềm năng phát triển. Với sự tiến bộ không ngừng của công nghệ AI và cảm biến, chúng ta có thể mong đợi các hệ thống ngày càng thông minh, chính xác và hiệu quả hơn. Các hệ thống này có thể được sử dụng để giám sát tình trạng kết cấu của các công trình xây dựng, cầu đường, nhà máy và các cơ sở hạ tầng khác một cách liên tục và tự động, giúp phát hiện sớm các dấu hiệu cảnh báo về hư hỏng và đưa ra các quyết định bảo trì kịp thời. Quá trình nghiên cứu đề tài có thể áp dụng để giảng dạy các môn học sau của ngành cơ điện tử: ➢ Đo lường điện và cảm biến. ➢ Matlab và ứng dụng biến ➢ Vi điều khiển ➢ Thị giác máy tính Mô hình do đề tài tạo ra sẽ được ứng dụng để giảng dạy các môn học trên.

6.1. Xu Hướng Phát Triển Của Công Nghệ AI Trong Lĩnh Vực Này

Có nhiều xu hướng phát triển quan trọng trong công nghệ AI có thể ảnh hưởng đến lĩnh vực phát hiện khuyết tật kết cấu. Một trong những xu hướng đó là sự phát triển của học sâu (deep learning) và mạng nơ-ron (neural networks). Các mô hình học sâu ngày càng trở nên phức tạp và mạnh mẽ hơn, cho phép chúng học các đặc trưng phức tạp từ dữ liệu và đưa ra các dự đoán chính xác hơn. Một xu hướng khác là sự phát triển của học chuyển giao (transfer learning), cho phép các mô hình AI học từ một nhiệm vụ và áp dụng kiến thức đó cho một nhiệm vụ khác. Ngoài ra, có những xu hướng về sự phát triển của AI giải thích được (explainable AI), giúp con người hiểu rõ hơn về cách hệ thống AI đưa ra quyết định.

6.2. Tiềm Năng Ứng Dụng AI Trong Quản Lý Và Bảo Trì Cơ Sở Hạ Tầng

AI có tiềm năng ứng dụng rất lớn trong quản lý và bảo trì cơ sở hạ tầng. Các hệ thống AI có thể được sử dụng để giám sát tình trạng kết cấu, phát hiện khuyết tật, dự đoán tuổi thọ và tối ưu hóa lịch trình bảo trì. Việc sử dụng AI có thể giúp giảm chi phí bảo trì, tăng tuổi thọ của cơ sở hạ tầng và cải thiện an toàn. AI có thể được tích hợp với các hệ thống quản lý thông tin (BIM) để tạo ra một hệ thống quản lý cơ sở hạ tầng toàn diện. Sự kết hợp với IoT và xử lý ảnh tạo ra tiềm năng ứng dụng lớn trong lĩnh vực này.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN TÀI LIỆU Hiện nay vấn đề đo lường kích thước của các vật thể từ xa đang thu hút sự quan tâm rất lớn của các doanh nghiệp. Việc phát hiện và đo lường khuyết tật của các kết cấu, đặc biệt là vết nứt, có vai trò thiết yếu trong việc bảo dưỡng và phòng tránh thảm họa như động đất, bảo đảm an toàn của tòa nhà, bảo đảm an toàn của kết cấu bê tông. Sau đây xin liệt kê một số công bố quốc tế ISI về vấn đề này: Kỹ thuật xử lý ảnh hiện nay đã và đang được áp dụng rộng rãi trong Kỹ thuật xây dựng và cơ khí.

Moaveni [1] trích xuất và phân tích hình dạng và kích thước của các vật liệu hạt. Caetano [2] sử dụng hệ thống camera để giám sát độ dao động của các kết cấu kỹ thuật thay cho việc sử dụng cảm biến gia tốc và cảm biến ứng suất. Lee [3] đề xuất một phương pháp phát hiện sự biến dạng của kết cấu xây dựng dựa trên phân tích hình ảnh. Trong ngành xây dựng cầu, J.

Winkler [4] đo độ biến dạng cục bộ của các ống thép sử dụng phương pháp tương quan hình ảnh. Valenca [5] sử dụng phương pháp xử lý hình ảnh để giám sát tính an toàn của các trụ bê-tông dài. Klein [6] sử dụng phương pháp xác thực thực bằng hình ảnh để kiểm tra dữ liệu về xây dựng của các tòa nhà. Tuy nhiên, ứng dụng phổ biến nhất của kỹ thuật xử lý hình ảnh, thị giác máy tính vào xây dựng là tự động phát hiện và đo lường vết nứt của các kết cấu bê-tông [7-16].

Trong các nghiên cứu này, vết nứt được xem như các vật thể màu tối hình cây, trong đó mỗi nhánh có hình dạng ống và có tính đối xứng ở 2 bên đường trung tâm. Hình ảnh chứa vết nứt trong các nghiên cứu này đều là hình ảnh 2 pha và mỗi pha có màu sắc tương đối đồng đều, pha “sáng” là bề mặt vật liệu và pha “tối” là vết nứt. Hiện nay chưa có phương pháp xử lý hình ảnh hiệu quả để đo lường hiệu quả vết nứt trong hình ảnh có nhiều hơn 2 pha mặc dù trong thực tế hình ảnh chứa vết nứt có nhiều hơn 2 pha phổ biến hơn. Các phương pháp đo lường vết nứt từ hình ảnh 2 pha hiện tại yêu cầu người sử dụng cần khoanh vùng xử lý xung quanh vết nứt để đảm bảo hình ảnh chỉ chứa 2 pha.

Vết nứt bề mặt bê-tông là một dấu hiệu báo hiệu cho khả năng sụp đổ của kết cấu xây dựng. Zhu [7] đã sử dụng phương pháp đo lường vết nứt bằng hình ảnh dựa trên hiện tượng khuếch tán điểm ảnh của Yamaguchi [8] để thẩm định tính an toàn của các tòa nhà ngay sau động đất. 10 NTTU-KHCN-05-TMĐT R.S Adhikari [13] đã sử dụng phương pháp đo lường vết nứt sử dụng thị giác máy tính để đo vết nứt trên các trụ bê-tông của cầu đường bộ. Phương pháp của R.Adhikari có thể đo lường độ rộng vết nứt tương đối chính xác nhưng cần người sử dụng khoanh vùng xung quanh vị trí có vết nứt trên hình ảnh, vì vậy tính tự động của phương pháp này còn hạn chế.

Lee et al. [15] sử dụng thị giác máy tính kết hợp với trí tuệ nhân tạo để đo lường vết nứt nhưng tính hiệu quả của phương pháp này bị giới hạn ở các hình ảnh chứa vết nứt tương tự với loại hình ảnh đã được sử dụng để huấn luyện hệ trí tuệ nhân tạo. Yang et al. [16] sử dụng thị giác máy tính để đo lường độ rộng của vết nứt trong các thí nghiệm kiểm tra cơ tính của vật liệu xây dựng.

Gang li et al. (2013) [17] đã phát triển một thiết bị có thể phát hiện và đo lường vết nứt từ xa cho hệ thống cầu đường bộ: Hiện nay việc phát hiện và đo lường vết nứt trong các công trình xây dựng chủ yếu bằng tay nên phương pháp này có thể ứng dụng trong việc bảo trì cầu và các công trình xây dựng quan trọng Chủ nhiệm đề tài [18] đã phát triển một phương pháp mới có thể phát hiện và đo lường vết nứt hiệu quả trong các điều kiện ánh sáng thay đổi và màu sắc hình ảnh có nhiều pha không đều. Tuy nhiên để chuyển đổi độ rộng của vết nứt từ pixel sang mm cần người sử dụng tiếp cận đến gần vật thể cần đo. 11 NTTU-KHCN-05-TMĐT CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Board mạch điều khiển Arduino: Arduino là một board mạch sử dụng vi xử lý AVR Atmel 32-bit, hoặc ARM Atmel 32-bit.

Các board này thường bao gồm 1 cổng giao tiếp USB, các chân giao tiếp analog và digital.1 Arduino Mega 2560 Những thành phần chính của Arduino bao gồm: Cổng USB (loại B), Jack nguồn, các hàng Header, vi điều khiển AVR. Với mỗi mẫu Arduino khác nhau thì dùng vi điều khiển khác nhau. Trong nghiên cứu này chúng tôi dùng Arduino để kết nối với cảm biến laser, màn hình LCD và các module truyền thông như Bluetooth, WIFI. Chi tiết về Arduino có thể tham khảo theo [23] 12 NTTU-KHCN-05-TMĐT 2.2 Moduel bluetooth HC-05: Hình 2.

Module Bluetool HC-05 [22,25] Module HC-05 là một module Bluetooth SPP rất tiện dụng, tốc độ cao. Mô-đun này sử dụng CSR Bluecore 04-External với công nghệ CMOS và AFH có kích thước 12. Chúng ta có thể cấp nguồn và giao tiếp qua 3.3VDC hoặc 5VDC. Trong các ứng dụng kết nối HC-05 và máy tính thì HC-05 sẽ được nhận diện như 1 cổng COM ảo.

Chúng ta có thể sử dụng HC-05 với hai chế độ hoạt động: Command Mode và Data Mode. Một số lệnh AT [25]: • AT: Lệnh test, phản hồi OK nếu module hoạt động ở Command Mode • AT+VERSION? :cho biết firmware • AT+UART • AT+RMAAD • AT+ROLE • AT+RESET • AT+CMODE • AT+INQM=0,5,5 • AT+PSWD • AT+INQ • AT+PAIR 13 NTTU-KHCN-05-TMĐT • AT+PAIR • AT+LINK • AT+ADDR 2.3 LCD: LCD (Liquid crystal display) là màn hình hiển thị tinh thể lỏng bao gồm các điểm ảnh có thể thay đổi cường độ ánh sáng truyền qua. Chúng ta dùng LCD để hiển thị thông số của hệ thống vì hình ảnh chân thật và tiết kiệm năng lượng.[26,27] Chúng ta có thể dùng LCD kết nối trực tiếp với Board Arduino.4 Kiến thức cơ sở về cấu tạo và nguyên lý hoạt động của mô hình: Trên cơ lý thuyết của bài báo khoa học [19], mô hình thiết bị đo vết nứt của tài liệu số [19] chưa dùng động cơ để điều khiển các khớp. Trong nghiên cứu này chúng tôi cải tiến bằng các lắp thêm 3 cảm biến đo khoảng cách, dùng 3 động cơ để điều khiển các khớp xoay từ đó có thể tự động canh chỉnh cho camera luôn vuông góc với mặt phẳng chứa vết nứt.

14 NTTU-KHCN-05-TMĐT Hình sau đây là mô hình điều khiển vết nứt từ tài liệu tham khảo số [19] Hình 2.3 Mô hình hệ thống đo vết nứt của tài liệu [19] Nguyên lý hoạt động của Mô hình trên là dùng tay tinh chỉnh các góc của máy ảnh một cách thô sơ và chụp ảnh truyền về máy tính dùng giao tiếp RS-485, máy tính xử lý hình ảnh trích xuất thông tin vết nứt. Trong nghiên cứu này, chúng tôi thêm vào cảm biến đo khoảng cách và động cơ để điều khiển các khớp trục cơ cấu cơ khí. Bằng cách so sánh giá trị vị trí của ba cảm biến laser, các khớp xoay được chỉnh sao cho khoảng cách từ mặt phẳng đến 3 cảm biến là như nhau. Hình ảnh sau đó được chụp và xử lý để trích xuất độ rộng vết nứt.

15 NTTU-KHCN-05-TMĐT Các tình huống hoạt động Tình huống 1 : máy ảnh song song với mặt phẳng chứa vết nứt, và đồng thời 3 cảm biến khoảng cách đo được giá trị trung bình gần bằng nhau. Người sử dụng bấm nút chụp trên phần mềm chạy trên laptop và lấy được ảnh về xử lý. Tình huống 2: Khi đặt máy ảnh nghiêng so với vết nứt. Vấn đề dặt ra là đặt máy ảnh không song song với vết nứt thì ở đây mặt phẳng có vết nứt nằm ở một mặt phẳng khác với ống kính camera, 3 cảm biến sẽ được hiệu chỉnh bởi các khớp cho đến khi trả về 3 kích thước như nhau Tình huống 3: Khi đặt máy ảnh không song song với camera và mặt phẳng nghiên năm trên mặt phẳng OXYZ.

Tình huống này cũng như tình huống trên là mặt phẳng không song song với ống len của máy ảnh thì các cảm biến vẫn luôn đo và động cơ hoạt động như tình huống hai.4 Các tình huống khi chụp ảnh 16 NTTU-KHCN-05-TMĐT CHƯƠNG 3 THIẾT KẾ VÀ CHẾ TẠO PHẦN CƠ KHÍ Sau đây chúng tôi xin trình bày kết quả chế tạo mô hình của nhóm sinh viên tham gia làm đề tài đồng thời thực hiện khóa luận tốt nghiệp: [37,38,39] 3.1 Tổng quan: Hình 3.1 mô hình và các chi tiết cụ thể Chúng tôi dùng SolidWorks [29] để thiết kế hệ thống và mô phỏng hệ thống. Sau đó chế tạo dựa trên cải tiến một khung giá máy ảnh có sẵn. 17 NTTU-KHCN-05-TMĐT 3.2 Các khớp xoay: Hình 3.2 Khớp xoay điều chỉnh góc nghiêng Nhờ có góc nghiêng giúp cho người chụp dễ dàng chụp những bức hình nghiên, trong các ngành xây đựng có thể chụp những vết nức trên tường có góc nghiêng. Nhờ có gắn thêm động cơ, người dùng có thể điều khiển từ xa, không cần điều khiền bằng tay, có thể chụp những bức ảnh ở trên cao.

18 NTTU-KHCN-05-TMĐT Hình 3.3 Khớp xoay 360 độ Với khớp quay 360 độ giúp cho chân máy ảnh thêm linh hoạt có thể chụp các hình ảnh xung quanh. Không cần phải di chuyển chân máy ảnh đi liên tục, một khung hình bao trọn bối cảnh xung quay vị trí ta đứng chụp.4 Trục nâng vitme Thêm trục vitme giúp ta có thể nâng tự động điều chỉnh độ cao không cần phải nâng bằng tay. Khi truyền động, nếu trục vitme đứng yên thì đai ốc chuyển động tịnh tiến hoặc đai ốc đứng yên thì trục vitme chuyển động tịnh tiến. 19 NTTU-KHCN-05-TMĐT Hình 3.5 Khớp xoay nghiêng trái phải Với khớp xoay nghiên trái phải này nó sẽ giúp cho hệ thống linh hoạt hơn trong quá trình di chuyển đến vị trí mà chúng ta mong muốn để lấy hình ảnh về xử lý.

20 NTTU-KHCN-05-TMĐT Hình 3.6 chiều cao của giá ảnh Chiều cao tối thiểu là 110 (cm) ,chiều cao tối đa 170 (cm).Chiều cao có thể hơn nũa nhưng lên cao thì phần dưới của giá chịu lực nhiều.Nên chỉ sử dụng hai khớp nâng để chịu được phẩn trên của thiết bị. Các thông số của cơ cấu vít me đai ốc Tốc độ của ren tối đa: 1000 (mm/s) Hệ số ma sát: µ =0.02 Tốc độ động cơ: 3000 rpm - Lực tại tốc độ không đổi: 2.352 (N) - Lực khi gia tốc: 9.552(N) - Lực khi giảm tốc:-4.848(N) 21 NTTU-KHCN-05-TMĐT Hình 3.