Контроль качества скрытых строительных работ по фотоснимкам, прилагаемым к актам освидетельствования

Введение. В строительном производстве проблему повышения достоверности информации, содержащейся в актах освидетельствования скрытых работ, все чаще решают с помощью их фотофиксации. Основываясь на результатах ранее выполненных исследований, авторы доказывают, что, используя диагностическую информативность фотоснимков, можно не только подтверждать факт выполнения скрытых работ в нужном объеме, но и получать дополнительную информацию об их качестве. Для эффективного извлечения этой информации необходима разработка метода контроля качества скрытых строительных работ по фотоснимкам, прилагаемым к актам освидетельствования, с учетом современных научных достижений в области фотограмметрии и цветотекстурного анализа фотографических изображений. 

Материал и методы. В основу разрабатываемого метода контроля качества скрытых строительных работ положено применение контурного, пиксельного, макро- и микротекстурного анализа фотографических изображений. При разработке метода были использованы результаты многочисленных визуальных обследований строительных конструкций (в том числе со вскрытием внутренних их элементов) и сопоставление этих результатов с информацией, содержащейся в актах освидетельствования скрытых работ. 

Результаты исследования. В статье представлены результаты выполненного в Донском государственном техническом университете исследования по разработке метода контроля качества скрытых строительных работ по фотоснимкам, прилагаемым к актам освидетельствования. Представлены разработанные авторами алгоритмы процессов анализа фотоснимков строительных конструкций для контроля их качества. Даны предложения по систематизации и хранению типовых текстур поверхностей строительных конструкций. 

Обсуждение и заключение. Приоритетным условием успешного применения нового метода контроля качества скрытых строительных работ является его методическое обеспечение, устанавливающее единый порядок их фотофиксации, дополнительные требования к составу и параметрам фотоснимков, правила оформления, хранения и использования их в качестве приложений к оформляемым актам освидетельствования скрытых строительных работ, а также регламент выполнения комплексного анализа фотоснимков с применением соответствующего программного обеспечения. 

1. Жолобова О.А. Производственный контроль качества каменных стен и других ограждающих конструкций зданий по фотографическим изображениям. Вестник МГСУ. 2013;11:234−240. http://doi.org/10.22227/1997-0935.2013.11.234-240

2. Гонсалес Р. Цифровая обработка изображений. Москва: Техносфера; 2012. 1104 с.

3. Ahmadvand A., Daliri M.R. Invariant Texture Classification Using a Spatial Filter Bank in Multi-resolution Analysis. Image and Vision Computing. 2016;45:1−10. https://doi.org/10.1016/j.imavis.2015.10.002

4. Armi L., Fekri-Ershad S. Texture image analysis and texture Classification Methods — A Review. International Online Journal of Image Processing and Pattern Recognition. 2019;1(2):1−29. https://doi.org/10.48550/arXiv.1904.06554

5. Bianconi F., González E., Fernández A., Saetta S. Automatic classification of granite tiles through colour and txture features. Expert systems with applications. 2012;39(12):11212–11218. https://doi.org/10.1016/j.eswa.2012.03.052

6. Charles Y.R., Ramraj R.A Novel local mesh color texture pattern for image retrieval system. AEU-international journal of electronics and communications. 2016;3(70):225−233. https://doi.org/10.1016/j.aeue.2015.11.009

7. Kabbai L., Abdellaoui M., Douik A. Image classification by combining local and global features. The visual computer. 2019;35:679−693. https://doi.org/10.1007/s00371-018-1503-0

8. Fekri-Ershad S., Tajeripour F. Impulse-noise resistant color-texture classification approach using hybrid color local binary patterns and kullback–leibler divergence. Computer journal. 2017;11(60):1633−1648. https://doi.org/10.1093/comjnl/bxx033

9. Shu X., Song Z., Shi J., Huang S. Multiple channels local binary pattern for color texture representation and classification. Signal processing: image communication. 2021;98:116392. https://doi.org/10.1016/j.image.2021.116392

10. Tanyildizi E. A нybrid color texture image classification method based on 2D and semi 3D texture features and extreme learning Machine. Przeglad elektrotechniczny. 2012;88(11):358-362. URL: https://www.researchgate.net/publication/286943018_A_hybrid_color_texture_image_classification_method_based_on_2D_and_semi_3D_texture_features_and_extreme_learning_machine (дата обращения: 09.11.2023).

11. Жолобова О.А., Иванникова Н.А. Предложения по совершенствованию производственного контроля качества наружных стен и покрытий современных зданий. Промышленное и гражданское строительство. 2014;(6):24−27.

12. Adamopoulos E., Rinaudo F. Combining multiband imaging, photogrammetric techniques, and foss gis for affordable degradation mapping of stone monuments. Buildings. 2021;11(7):304. https://doi.org/10.3390/buildings11070304

13. Mesa P.H., Anastasiadis J., León F.P. Identification and sorting of regular textures according to their similarity. In: Proceedings of SPIE — The international society for optical engineering. Munich: SPIE Optical metrology; 2015. 95300A. https://doi.org/10.1117/12.2184439

14. Galantucci R.A., Fatiguso F. Advanced damage detection techniques in historical buildings using вigital photogrammetry and 3D surface analysis. Journal of cultural heritage. 2019;36:51–62. https://doi.org/10.1016/j.culher.2018.09.014

15. Jalón M.L., Chiachío J., Gil-Martín L.M., Hernández-Montes E. Probabilistic identification of surface recession patterns in heritage buildings based on digital photogrammetry. Journal of building engineering. 2021;34:101922. https://doi.org/10.1016/j.jobe.2020.101922

16. Liu Z., Brigham R., Long E.R., Wilson L., Frost A., Orr S.A. et al. Semantic segmentation and photogrammetry of crowdsourced images to monitor historic facades. Heritage science. 2022;10:27. https://doi.org/10.1186/s40494022-00664-y

17. Napolitano R., Glisic B. Methodology for diagnosing crack patterns in masonry structures using photogrammetry and distinct element modeling. Engineering structures. 2019;181:519–528. https://doi.org/10.1016/j.engstruct.2018.12.036

18. Strząbała K., Ćwiąkała P., Gruszczyński W., Puniach E., Matwij W. Determining changes in building tilts based on uav photogrammetry. Measurement. 2022;202:111772. https://doi.org/10.1016/j.measurement.2022.111772

19. Vincke S., Bassier M., Vergauwen M. Image recording challenges for photogrammetric construction site monitoring. The international archives of the photogrammetry, remote sensing and spatial information sciences. 2019;XLII2/W9:747−753. https://doi.org/10.5194/isprs-archives-XLII-2-W9-747-2019

20. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В. Обработка и анализ изображений в задачах машинного зрения. Москва: Физматкнига; 2010. 672 с.