무료 슬롯 (본사 : Minate-Ku, Tokyo; 대통령 : Shiraishi Tatsushi)는 AI 기술 중 하나 인 딥 러닝 (※ 1)을 산악 터널의 깃털을 평가했습니다.

NATM (New Austrian Tunneling Method)은 일본의 산 터널 건설의 표준 방법입니다. 이 방법에서, 스프레이 콘크리트 및 잠금 볼트는 주요지지 재료로 사용되며 발굴 후 적절한 공간을 보장하기 위해 암석 자체의 변형 저항을 효과적으로 활용합니다. 지원 작업의 규모는 예비 지질 조사를 기반으로 계획되지만 예비 설문 조사 결과에만 한계가 있으므로 실제 평가는 7 가지 항목, 즉 컷 얼굴의 강도, 풍화 간격, 갈라진 간격, 영리한 조건, 봄 볼륨 및 퇴화 수준 및 결과에 따라 검토됩니다.

무료 슬롯은 이미지 처리 및 전문가 시스템 (※ 2)과 같은 산악 터널 분야에서 혁신적인 IT 기술을 사용하여 노동을 줄이고 얼굴의 행동 측정 작업을 개선했습니다. 그러나 실제 건설 현장에서는 이러한 기술이 사용 되더라도 지질 전문가없이 포괄적 인 평가를 수행하기가 어려울 수 있으며, 회사 내 전문 부서의 별도의 판단이 필요하기 때문에 평가에는 시간과 노력이 필요합니다.

따라서 무료 슬롯은 딥 러닝을 활용하여 지질 전문가와 동일한 수준에서 평가를 가능하게하는 깃털 평가 시스템을 개발하고 있습니다. 이 시스템을 사용하면 커터 및 전문가 평가 결과의 학습을 통해 지질 조건을 빠르고 정확하게 평가할 수 있으며 지원 자료를보다 적절하게 설치하는 것과 같은 필요한 조치를 수행하여 건설의 안전과 경제를 향상시킵니다.

현재, 우리는 7 가지 평가 항목 중 70 개 건설 현장의 평가를 기반으로 딥 러닝 학습 데이터를 만들고 있습니다 : 풍화 변경, 갈라진 간격 및 갈라진 상태. 이 시스템은 Mathworks Japan (Mathworks LLC)의 협력으로 개발되었습니다.

이 시스템의 특징은 다음과 같습니다.

1. 건축 안전 및 경제를 개선하기 위해 깃털을 가장 작은 세부 사항으로 즉시 평가합니다
   

   이전에, 절단기의 이미지는 평균 등급을 부여하기 위해 3 개의 영역 위와 왼쪽으로 나뉘어졌지만,이 시스템에서는 이미지의 영역이 227 x 227 픽셀로 세분되어 각 개별 영역에 대해 절단기를 평가할 수 있습니다. 촬영시 픽셀의 수에 따라 평가는 5 백만 픽셀의 약 70 개 영역으로, 1 천만 픽셀의 약 130 개 영역으로 나뉩니다. 따라서 컷 얼굴의 변형 또는 붕괴를 처리하기 위해 로컬 조치를 취할 수 있습니다.

   인간이 컷 날개를 비슷하게 평가할 때 결과를 생성하는 데 많은 시간이 걸리지만이 시스템을 사용하면 딥 러닝을 사용하여 세부 사항을 즉시 평가할 수 있으므로 건축의 안전과 경제성을 향상시킵니다.

   

2. 지질학 전문가의 평가 결과를 배우면 평가 정확도가 향상됩니다
   

   7 가지 평가 항목으로, 우리는 컷 얼굴의 2,147 개의 이미지와 풍화 변경, 갈라진 간격 및 갈라진 상태의 세 가지 항목에 대한 전문가 평가 결과를 배웠습니다. 딥 러닝 모델은 신뢰할 수있는 이미지 식별 모델 인 Alexnet (*3)을 사용합니다. 슬릿면의 이미지를 모델을 사용하여 평가할 때, 전문가가 결정한 평가 결과와 비교 한 정확도 속도는 풍화 된 변경 (4 가지 범주)의 경우 87%, 슬릿 간격 (5 범주)의 경우 69%, 슬릿 상태 (5 범주)의 경우 89%였습니다.