Deteksi Retakan Beton Menggunakan U-Net

Prasetyo, Andrew (2023) Deteksi Retakan Beton Menggunakan U-Net. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text Andrew Prasetyo Tesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (10MB) | Request a copy

Abstract

Keamanan dan keandalan struktur bangunan merupakan hal penting dalam kota dengan bangunan bertingkat tinggi karena struktur bertahap kemerosotan. Munculnya retakan pada bangunan bisa meningkatkan tingkat kerusakan dan mengurangi umur integritas struktural di bawah keadaan lingkungan. Pengecekan kerusakan beton yang disebabkan oleh retakan yang timbul pada sebuah struktur beton saat ini masih menggunakan metode konvensional dengan menggunakan Ultrasonic Pulse Velocity (UPV) Test. Untuk mendeteksi kerusakan beton dengan metode ini memakan banyak waktu, hal ini disebabkan oleh manusia dengan harus menggunakan mata telanjang untuk menentukan lokasi yang tepat dalam meletakkan probe UPV Test. Dalam proses ini pekerja survei mendeteksinya dengan mendekati objek, mencatat lokasi dan luasan retak serta menandainya. Sehingga metode ini dianggap kurang efektif karena memakan waktu yang lama, tenaga kerja yang banyak dan kurang tepat akibat subjektivitas dan faktor kelelahan. Oleh karena itu diperlukan solusi yang tepat untuk melakukan pekerjaan ini dengan menggunakan teknologi image processing yang didalamnya sudah ditanamkan program yang mampu mendeteksi retak, pola retak dan dapat diaplikasikan ke retak rambut. Metode yang digunakan untuk mendapatkan solusi permasalahan tersebut adalah segmentasi menggunakan U-Net. Cara kerja segmentasi ini dengan pengambilan gambar struktur beton yang akan diuji dengan menggunakan kamera resolusi tinggi. Dari gambar tersebut akan diproses lakukan pelabelan gambar untuk digunakan sebagai data training. Kemudian dilakukan proses training dan dihasilkan model U-Net. Model U-Net digunakan untuk mensegmentasi retakan beton dan dihasilkan bahwa segmentasi U-Net lebih baik daripada Mask RCNN dengan tingkat IOU Score 77.60 dan tingkat akurasi sebesar 98.585 sedangkan pada Mask RCNN hanya memperoleh IOU Score sebesar 66.93. Hasil dari segmentasi U-Net ini berupa
pola retak yang dapat medeteksi retak beton dan dapat mensegmentasi retak rambut.
==============================================================================================================================
The safety and reliability of building structures is important in cities with high-rise buildings because of the gradual deterioration of structures. The appearance of cracks in buildings can increase the rate of damage and reduce the lifespan of structural integrity under environmental conditions. Checking for concrete damage caused by cracks that occur in a concrete structure is currently still using the conventional method using the Ultrasonic Pulse Velocity (UPV) Test. To detect damage to concrete with this method takes a lot of time, this is caused by humans having to use the naked eye to determine the exact location to place the probe UPV Test. In this process survey workers detect it by approaching the object, noting the location and extent of the crack and marking it. So this method is considered less effective because it takes a long time, a lot of labor and is not precise due to subjectivity and fatigue. Therefore, an appropriate solution is needed to do this work by using image processing technology in which a program has been embedded that is capable of detecting cracks, crack patterns and can be applied to hairline cracks. The method used to get a solution to this problem is segmentation using U-NET. The way this segmentation works is by taking pictures of the concrete structure that will be tested using a high resolution camera. The image will be processed by labeling the image to be used as training data. Then the training process is carried out and the U-Net model is generated. The U-Net model was used to segment concrete cracks and it resulted that U-Net segmentation was better than Mask RCNN with an IOU Score of 77.60 and an accuracy level of 98,585 while Mask RCNN only obtained an IOU Score of 66.93. The results of this U-Net segmentation are crack patterns that can detect concrete cracks and can segment hairline cracks.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Beton, Retak, Segmentasi, U-Net, Concrete, Crack, Segmentation.
Subjects:	Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TA Engineering (General). Civil engineering (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis
Depositing User:	Andrew Prasetyo
Date Deposited:	19 Jan 2023 07:15
Last Modified:	19 Jan 2023 07:15
URI:	http://repository.its.ac.id/id/eprint/95479

Actions (login required)

View Item