AI dan pengelolaan data: mengubah ribuan foto menjadi catatan yang dapat ditindaklanjuti

AI citra dalam inspeksi sebagian besar berupa pembelajaran mendalam: ia mempelajari tampilan retak, karat, dan sebagainya dari kumpulan besar foto yang sudah diberi label. Menurut tingkat kerinciannya, ada tiga jenis tugas.

Dalam praktik, ketiganya dirangkai: klasifikasi mempersempit ke gambar yang tampak mencurigakan, deteksi atau segmentasi mengekstrak lokasi dan bentuk, lalu hasilnya ditumpangkan pada fotogrametri untuk menempatkan tiap cacat pada suatu elemen. Gambar yang buruk mengalahkan model apa pun; separuh akurasi AI ditentukan oleh perencanaan perekaman.

Kinerja lebih bergantung pada dari apa ia belajar daripada pada nama modelnya. Ada himpunan data penelitian publik, misalnya kumpulan citra retak beton (misalnya SDNET2018, lebih dari 56.000 citra lantai jembatan, dinding, dan perkerasan) dan himpunan cacat jembatan dengan lima kelas cacat yang saling tumpang tindih (misalnya CODEBRIM). Namun model yang dilatih hanya pada data publik hampir selalu tersandung di lapangan.

• Pergeseran domain: material, kotoran, cahaya, kamera, dan jarak pengambilan yang berbeda dari data pelatihan menurunkan kinerja.
• Kemiripan: bekas bekisting, siar, tambalan perbaikan, bayangan, jejak hujan, kabel, grafiti. Semua ini harus dipelajari sebagai “bukan cacat”.
• Ketidakseimbangan: citra tanpa cacat mendominasi. Semakin langka suatu cacat, semakin sedikit contohnya dan semakin banyak yang terlewat.
• Derau label: orang yang berbeda menggambar retak yang sama dengan cara berbeda. Tuliskan panduan pelabelan yang selaras dengan standar inspeksi.
• Sisihkan data evaluasi: hanya citra dari lokasi yang tidak dipakai dalam pelatihan yang menunjukkan kinerja yang sebenarnya.

Lebar retak menentukan keputusan perbaikan. Alur kerja AI-nya adalah: ① segmentasikan piksel retak, ② ekstrak garis tengah (skeleton), ③ hitung piksel yang tegak lurus terhadapnya, ④ kalikan dengan GSD (mm per piksel). Lihat bab pencitraan tampak untuk GSD.

Sebagai patokan, siapkan kesalahan lebar sekurang-kurangnya sekitar ±1 piksel. Pada GSD 0,5 mm, itu sekitar ±0,5 mm. Jika keputusan perbaikan bergantung pada 0,2 atau 0,3 mm, gambar itu tidak dapat menetapkan lebarnya. Selalu laporkan lebar dari AI beserta GSD dan kesalahan yang diperkirakan.

Nilai inspeksi yang sesungguhnya ada pada perubahan: apakah suatu retak bertambah, apakah karat meluas, apakah ada yang baru muncul? Namun mengurangi foto tahun lalu dari foto tahun ini hampir tidak berarti apa-apa — posisi, cahaya, musim, dan kotoran berbeda, sehingga sebagian besar selisihnya berasal dari cara foto diambil.

• Registrasikan terlebih dahulu: sejajarkan citra dari kedua tahun dengan model 3D atau koordinat elemen.
• Bandingkan cacat, bukan piksel: buat peta cacat setiap tahun dan bandingkan peta-peta itu.
• Samakan kondisi: rute yang sama, jarak pengambilan yang sama, cahaya yang serupa. Gunakan kembali rencana akuisisi setiap tahun.
• Sertakan galat pada perubahan: jika “melebar 0,1 mm” lebih kecil daripada galat pengukuran, itu bukan perubahan.

AI membuat dua jenis kesalahan: positif palsu (menandai apa yang tidak ada) dan negatif palsu (melewatkan apa yang ada). Dalam inspeksi, yang terlewat adalah yang berbahaya. Karena itu sistem biasanya disetel dengan ambang yang lebih rendah untuk mengurangi yang terlewat, dan membiarkan tinjauan manusia menyingkirkan alarm palsu.

Yang sama pentingnya adalah gambar yang tidak pernah dilihat AI dengan adil: buram, terlalu gelap, atau memang tidak pernah diambil. Cacat di sana hanya menghasilkan keheningan. Pemeriksaan cakupan yang menunjukkan apa yang tidak terekam sama pentingnya dengan deteksi itu sendiri.

AI mempercepat pencarian, pengukuran, dan perbandingan. Penilaian, tindakan, dan penjelasan tetap pada inspektur yang bertanggung jawab — sesuatu yang kecil kemungkinannya berubah dalam rezim inspeksi negara mana pun. Bangun pembagian manusia–AI ke dalam alur kerja.

• Layar peninjauan: tampilkan setiap kandidat AI berdampingan dengan citra asli, lokasi, dan citra tahun lalu, agar seseorang dapat menerima, menolak, atau menyunting.
• Masukkan kembali koreksi: suntingan manusia menjadi data pelatihan berikutnya (pembelajaran dengan manusia dalam lingkaran).
• Catat versi model: catat versi model dan ambang yang menghasilkan setiap hasil.
• Cegah ketergantungan berlebih: manusia memeriksa sampel citra yang tidak ditandai AI.
• Manusia menandatangani: penilaian kondisi dan tindakan memuat nama insinyur yang bertanggung jawab.

Bagaimana temuan AI menjadi laporan yang dapat ditandatangani seorang insinyur diuraikan di menuliskan temuan drone dan AI dalam laporan inspeksi fasad (Airffic Flight Institute).

Pembagian antara apa yang ditandai AI dan apa yang diputuskan orang juga dibahas, dari sisi klien, di bagaimana AI dan orang berbagi inspeksi bangunan (Airffic World).

Membandingkan selama bertahun-tahun mengharuskan setiap gambar membawa, dalam bentuk yang dapat dibaca mesin, struktur yang mana, elemen yang mana, titik yang mana, dan bagaimana gambar itu diambil. Tanpa itu, AI maupun kembaran digital tidak dapat menumpuk catatan.

Tetapkan penamaan elemen sejak awal, selaras dengan standar inspeksi dan gambar kerja. Ada format yang umum, seperti BIM/CIM di Jepang dan IFC dari buildingSMART (diperluas ke jembatan, jalan, jalur kereta, dan pelabuhan dengan IFC 4.3 pada 2024). Format berubah, jadi tidak pernah kehilangan isinya — ID, pose, dan kondisi — lebih penting daripada formatnya.

Pada 2035, gambar inspeksi akan menerima ID elemen dan kondisi pada saat gambar itu diambil; AI mengusulkan kandidat, dan hanya perubahan dari kali sebelumnya yang sampai ke layar insinyur. Orang menafsirkan perubahan itu, memverifikasinya di lokasi, dan menandatangani penilaiannya. AI terus belajar dari koreksi manusia, dan kinerjanya menurut jenis struktur serta wilayah dipublikasikan agar dapat dibandingkan. Ini adalah pandangan redaksi.

Yang paling penting di sana bukan AI yang mencolok, melainkan kebiasaan data yang tidak gemerlap: penamaan, pencatatan kondisi, dan pencatatan kesalahan. Struktur yang mempertahankan ini setiap tahun adalah struktur yang inspeksinya benar-benar menjadi lebih mudah.