MẠNG NƠ-RON XUNG TRONG PHÁT HIỆN VẾT NỨT BÊ TÔNG: PHÂN TÍCH ĐỘ CHÍNH XÁC VÀ NĂNG LƯỢNG ƯỚC LƯỢNG TRÊN BỘ DỮ LIỆU METU
DOI:
https://doi.org/10.59266/houjs.2026.1336Từ khóa:
mạng nơ-ron xung, phát hiện vết nứt bê tông, bộ dữ liệu METU, hiệu quả năng lượng, tính toán neuromorphicTóm tắt
Phát hiện vết nứt bê tông đóng vai trò quan trọng trong đảm bảo an toàn kết cấu hạ tầng; tuy nhiên các mạng nơ-ron tích chập (Convolutional Neural Network - CNN) đòi hỏi tài nguyên tính toán lớn, hạn chế triển khai trên thiết bị biên. Mạng nơ-ron xung (Spiking Neural Network - SNN) là giải pháp thay thế tiết kiệm năng lượng nhờ cơ chế tính toán theo sự kiện. Nghiên cứu này đánh giá Spiking ResNet-18 trên bộ dữ liệu METU qua sáu cấu hình T Î {2, 4, 6, 8, 10, 16}. Để so sánh công bằng, ba biến thể ResNet-18 CNN (Scratch, Pretrained, Finetune) được huấn luyện trực tiếp trên cùng dữ liệu và giao thức. Phân tích năng lượng được thực hiện trên nhiều nền tảng và so sánh công bằng trên ba chip dùng chung (SpiNNaker2, Akida AKD1000, FPGA Xilinx ZU9) để loại bỏ thiên lệch do công nghệ chế tạo. Kết quả cho thấy Spiking ResNet-18 đạt 99.57% (T=10), cạnh tranh với các mô hình CNN và Transformer hiện đại. Khi so sánh trên cùng một chip, SNN tiêu thụ năng lượng thấp hơn CNN từ 300 đến hơn 1900 lần mà vẫn duy trì độ chính xác tương đương. Kết quả khẳng định tính khả thi của SNN cho các ứng dụng giám sát kết cấu hạ tầng trên nền tảng neuromorphic tiết kiệm năng lượng.
Tài liệu tham khảo
Ahila Priyadharshini, R., Arivazhagan, S., & Arun, M. (2023). Crack recognition on concrete structures based on machine crafted and hand crafted features. Expert Systems with Applications, 228, 120447. https://doi.org/10.1016/j.eswa.2023.120447
Ali, L., Alnajjar, F., Jassmi, H. A., Gocho, M., Khan, W., & Serhani, M. A. (2021). Performance Evaluation of Deep CNN-Based Crack Detection and Localization Techniques for Concrete Structures. Sensors, 21(5), 1688.
Alkannad, A. A., Smadi, A. A., Yang, S., Al- Smadi, M. K., Al-Makhlafi, M., Feng, Z., & Yin, Z. (2025). CrackVision: Effective Concrete Crack Detection With Deep Learning and Transfer Learning. IEEE Access, 13, 29554- 29576. https://doi.org/10.1109/ACCESS.2025.3540841
Bhalaji Kharthik, K. S., Onyema, E. M., Mallik, S., Siva Prasad, B. V. V., Qin, H., Selvi, C., & Sikha, O. K. (2024). Transfer learned deep feature based crack detection using support vector machine: a comparative study. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-63767-5
Bussa, S. K., & Boppana, N. K. (2025). Enhanced ResNet50 deep learning algorithm for classification of crack images in RCC structures. Asian Journal of Civil Engineering, 26(9), 3773-3784. https://doi.org/10.1007/s42107-025-01396-7
Cao, V. D., & Le, D. A. (2019). Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction, 99, 52-58. https://doi.org/10.1016/j.autcon.2018.11.028
Davies, M., Srinivasa, N., Lin, T. H., Chinya, G., Cao, Y., Choday, S. H., Dimou, G., Joshi, P., Imam, N., Jain, S., Liao, Y., Lin, C. K., Lines, A., Liu, R., Mathaikutty, D., McCoy, S., Paul, A., Tse, J., Venkataramanan, G., . . . Wang, H. (2018). Loihi: A Neuromorphic Manycore Processor with On-Chip Learning. IEEE Micro, 38(1), 82-99. https://doi.org/10.1109/MM.2018.112130359
Horowitz, M. (2014, 9-13 Feb. 2014). 1.1 Computing’s energy problem (and what we can do about it). 2014 IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC),
Hu, Y., Tang, H., & Pan, G. (2023). Spiking Deep Residual Networks. IEEE Transactions on Neural Networks and Learning Systems, 34(8), 5200-5205. https://doi.org/10.1109/TNNLS.2021.3119238
Kooban, F., Shomal Zadeh, S., Birgani, S., & Khorshidi, M. (2024). Concrete Surface Crack Detection with Convolutional-based Deep Learning Models. https://doi.org/10.22541/au.170537086.60367338/v1
Maass, W. (1997). Networks of spiking neurons: The third generation of neural network models. Neural Networks, 10(9), 1659-1671. https://doi.org/10.1016/S0893-6080(97)00011-7
Neftci, E. O., Mostafa, H., & Zenke, F. (2019). Surrogate Gradient Learning in Spiking Neural Networks: Bringing the Power of Gradient-Based Optimization to Spiking Neural Networks. IEEE Signal Processing Magazine, 36(6), 51-63. https://doi.org/10.1109/MSP.2019.2931595
Özgenel, Ç. F., & Sorguc, A. G. (2018). Performance Comparison of Pretrained Convolutional Neural Networks on Crack Detection in Buildings. https:// doi.org/10.22260/ISARC2018/0094
Pham, V. H., Nguyen, D. A., & Dao, T. T. (2026). Spiking Neural Networks for Concrete Crack Detection: A Comprehensive Evaluation on SDNET2018 Dataset. ICIC Express Letters, 17, 131-138. https://doi.org/10.24507/icicelb.17.02.131
Ritzy, R., V․A․, U., Girija, K., & Rajan, R. (2025). Binary-class concrete surface crack detection using a transfer learning model. Knowledge-Based Systems, 324, 113953. https://doi.org/10.1016/j.knosys.2025.113953
Shahin, M., Chen, F. F., Maghanaki, M., Hosseinzadeh, A., Zand, N., & Khodadadi Koodiani, H. (2024). Improving the Concrete Crack Detection Process via a Hybrid Visual Transformer Algorithm. Sensors, 24(10), 3247.
Yang, Q., Shi, W., Chen, J., & Lin, W. (2020). Deep convolution neural network- based transfer learning method for civil infrastructure crack detection. Automation in Construction, 116, 103199. https://doi.org/10.1016/j. autcon.2020.103199
Zhang, L., Yang, F., Zhang, Y. D., & Zhu, Y. J. (2016, 25-28 Sept. 2016). Road crack detection using deep convolutional neural network. 2016 IEEE International Conference on Image Processing (ICIP),
