iconicon Uproszczony widok
 

APPLICATION OF CONVOLUTIONAL NEURAL NETWORKS IN WALL MOISTURE IDENTIFICATION BY EIT METHOD

cris.lastimport.scopus2024-09-19T01:31:30Z
dc.abstract.enThe article presents the results of research in the area of using deep neural networks to identify moisture inside the walls of buildings usingelectrical impedance tomography. Two deep neural networks were used to transform the input measurements into images of damp places -convolutional neural networks (CNN) and recurrent long short-term memory networks LSTM. After training both models, a comparative assessment of the results obtained thanks to them was made. The conclusions show that both models are highly utilitarian in the analyzedproblem. However, slightly better results were obtained with the LSTM method.
dc.abstract.plW artykuleprzedstawiono rezultaty badańw obszarze wykorzystania głębokich sieci neuronowych do identyfikacji zawilgoceń wewnątrz ścian budynkówprzy użyciu elektrycznej tomografii impedancyjnej.Do przekształcenia pomiarów wejściowych na obrazy przedstawiające zawilgocone miejsca użyto dwóch rodzajówgłębokichsieci neuronowych –konwolucyjne sieci neuronowe(CNN) irekurencyjne siecitypuLSTM. 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
dc.contributor.authorGrzegorz Kłosowski
dc.contributor.authorTomasz Rymarczyk
dc.date.accessioned2024-04-22T10:45:11Z
dc.date.available2024-04-22T10:45:11Z
dc.date.issued2022
dc.description.abstract<jats:p>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 places - convolutional neural networks (CNN) and recurrent long short-term memory networks LSTM. After training both models, a comparative 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.</jats:p>
dc.identifier.doi10.35784/iapgos.2883
dc.identifier.issn2391-6761
dc.identifier.issn2083-0157
dc.identifier.urihttps://repo.akademiawsei.eu/handle/item/194
dc.languageen
dc.pbn.affiliationinformation and communication technology
dc.relation.ispartofInformatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
dc.rightsCC-BY-SA
dc.subject.enmachine learning
dc.subject.endeep learning
dc.subject.enelectrical impedance tomography
dc.subject.enmoisture detection in walls
dc.subject.pluczenie maszynowe
dc.subject.plgłębokie uczenie
dc.subject.pltomografia impedancyjna
dc.subject.plwykrywanie wilgoci w ścianach
dc.titleAPPLICATION OF CONVOLUTIONAL NEURAL NETWORKS IN WALL MOISTURE IDENTIFICATION BY EIT METHOD
dc.typeReviewArticle
dspace.entity.typePublication
oaire.citation.issue1
oaire.citation.volume12