Application of Convolutional Neural Networks in Wall Moisture Identification by Eit Method
Artykuł w czasopiśmie
MNiSW
20
Lista 2021
| Status: | |
| Warianty tytułu: |
Zastosowanie konwolucyjnych sieci neuronowych w identyfikacji zawilgoceń ścian budynków metodą EIT
|
| Autorzy: | Kłosowski Grzegorz, Rymarczyk Tomasz |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2022 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 1 |
| Wolumen/Tom: | 12 |
| Strony: | 20 - 23 |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 31 marca 2022 |
| Abstrakty: | angielski | polski |
| The article presents the results of research in the area of using deep neural networks to identify moisture inside the walls of buildings using electrical impedance tomography. Two deep neural networks were used to transform the input measurements into images of damp p laces - convolutional neural networks (CNN) and recurrent long short - term memory networks LSTM. After training both models, a comp arative assessment of the results obtained thanks to them was made. The conclusions show that both models are highly utilitarian in the analyzed problem . However, slightly better results were obtained with the LSTM method. | |
| W artykule przedstawiono rezultaty badań w obszarze wykorzystani a głębokich sieci neuronowych do identyfikacji zawilgoceń wewnątrz ścian budynków przy użyciu elektrycznej tomografii impedancyjnej. Do przekształcenia pomiarów wejściowych na obrazy przedstawiające zawilgocone miejsca użyto dwóch rodzajów głębokich sieci neuronowych – konwolucyjne sieci neuronowe (CNN) i rekurencyjne sieci typu LSTM. Po wytrenowaniu obu modeli dokonano oceny porównawczej uzyskanych dzięki nim rezultatów. Wnioski wskazują na dużą utylitarność obu modeli w badanej problematyce , jednak nieco lepsze rezultaty uzyskano dzięki metodzie LSTM. |
