得益于人工智能 (AI) 的最新进展，土木工程师可以更高效、更经济地检查大型基础设施，同时还可以监测损坏严重程度随时间的进展。

洛桑联邦理工学院 (EPFL) 的研究人员团队展示了一种人工智能驱动的裂缝检测、扩展和监测方法的可行性，并将很快在采尔马特和瓦莱州布里格之间的铁路路段上进行测试。这项研究发表在《建筑自动化》杂志上。

人工智能可以自动检查轨道、枕木、道碴和挡土墙，从而帮助提高铁路安全性。EPFL 智能维护和作系统 (IMOS) 实验室的研究人员开发了一种人工智能驱动的方法，可以提高混凝土结构裂缝检测的效率。

他们的研究提出了一种新方法，即采用可解释的人工智能，或者一种可以让用户理解人工智能决策基础的人工智能形式。

“我们训练了一种算法，通过输入数百张来自两个类别的图像样本来区分混凝土墙上有裂缝和没有裂缝的图像(二元分类任务)。然后我们要求算法突出显示它用来做出决定的像素，”IMOS 实验室的科学家兼研究的主要作者 Florent Forest 说道。

该算法成功识别出与裂缝相对应的像素。“通过我们的方法，用户可以向算法输入多年来拍摄的一段铁路或任何其他定期检查的基础设施的图像，并要求算法量化墙壁和枕木裂缝的严重程度。这有助于基础设施运营商更有效地规划维护，”他说。

加强检查

目前，铁路运营商会根据预先定义的标准定期检查挡土墙等基础设施的状况，由经验丰富的检查员评定等级。然而，这一过程往往容易受到主观评价的影响，很难跟踪随时间的变化，尤其是当不同的检查员在不同时间点评估同一部分基础设施时。

随着数字化的进步，铁路运营商可以使用配备各种测量设备以及侧面和地板摄像头的专门监控车来监控轨道状况，以对轨道、混凝土枕木和挡土墙进行目视检查。

通过使用这些人工智能驱动的系统来量化损坏严重程度，检查过程可以实现自动化，从而更加客观、准确，并且更容易进行长期比较。

EPFL 研究团队将在采尔马特和布里格之间以及布里格和迪森蒂斯之间的铁路路段上测试该方法。这些路段包括许多不同形状和材料的挡土墙，这使得该算法的任务极具挑战性。

该团队已经收集了无人机图像以及监控车厢的图像，并将使用其人工智能算法协助铁路运营商更频繁、更系统地监控其基础设施。