มคอ.3 รายละเอียดของกระบวนวิชา
1. ข้อมูลทั่วไปของกระบวนวิชา
วิชาบังคับก่อน
ไม่มี
พื้นฐานที่แนะนำ
- Structural Engineering Materials and Structural Behavior
- Basic programming, preferably Python
- Basic probability and statistics
- พื้นฐาน Machine Learning เป็นประโยชน์ แต่ไม่จำเป็นต้องผ่าน AI and Data Analytics for Structural Engineering มาก่อน
2. คำอธิบายกระบวนวิชา
ภาษาไทย
หลักการคอมพิวเตอร์วิทัศน์สำหรับการตรวจสอบโครงสร้าง การได้มาของภาพและวิดีโอ คุณลักษณะของกล้อง แสง มุมมอง ความละเอียด และคุณภาพของภาพ การเตรียมและปรับปรุงภาพ การตรวจจับขอบ เส้น รูปร่าง และคุณลักษณะของภาพ การแบ่งส่วนภาพและการจำแนกวัตถุ หลักการโครงข่ายประสาทเทียมแบบคอนโวลูชัน การถ่ายทอดการเรียนรู้ การเพิ่มข้อมูล การตรวจจับวัตถุ การแบ่งส่วนเชิงความหมายและเชิงวัตถุ การสร้างและกำกับป้ายกำกับชุดข้อมูล การประเมินสมรรถนะของแบบจำลอง การประยุกต์ใช้คอมพิวเตอร์วิทัศน์เพื่อการตรวจจับและประเมินรอยแตกร้าว การกะเทาะ การหลุดร่อน การกัดกร่อน สนิม และความเสียหายทางกายภาพอื่นของโครงสร้าง การประยุกต์ใช้ภาพจากอากาศยานไร้คนขับและการสำรวจระยะไกลเบื้องต้น การติดตามวัตถุและการเปลี่ยนแปลงตามเวลา การประเมินความไม่แน่นอนและข้อจำกัดของการตรวจสอบด้วยภาพ การออกแบบระบบตรวจสอบโครงสร้างด้วยคอมพิวเตอร์วิทัศน์ และกรณีศึกษาของอาคาร สะพาน และโครงสร้างพื้นฐาน
English
Principles of computer vision for structural inspection; image and video acquisition; camera characteristics, illumination, viewpoint, resolution, and image quality; image preparation and enhancement; detection of edges, lines, shapes, and image features; image segmentation and object classification; fundamentals of convolutional neural networks; transfer learning and data augmentation; object detection; semantic and instance segmentation; dataset development and annotation; model performance evaluation; applications to detection and assessment of cracks, spalling, delamination, corrosion, rust, and other physical structural damage; introductory applications of unmanned aerial vehicle imagery and remote inspection; object tracking and temporal change detection; uncertainty and limitations of image-based inspection; design of computer-vision-based structural inspection systems; and case studies of buildings, bridges, and civil infrastructure.
3. วัตถุประสงค์ของกระบวนวิชา
กระบวนวิชานี้มุ่งให้นักศึกษาสามารถออกแบบและประเมินระบบ Computer Vision สำหรับงานตรวจสอบโครงสร้างได้อย่างครบวงจร ตั้งแต่การกำหนดปัญหาการตรวจสอบ การวางแผนเก็บภาพ การสร้างชุดข้อมูล การพัฒนาแบบจำลอง การประเมินผล ไปจนถึงการตีความผลในบริบทของสภาพโครงสร้างจริง
4. Course Learning Outcomes (CLOs)
| CLO | ผลลัพธ์การเรียนรู้ |
|---|---|
| CLO1 | Explain fundamental principles of image formation, image processing, computer vision, and deep-learning-based visual inspection for structural engineering applications. |
| CLO2 | Design appropriate image-acquisition and dataset-development workflows for structural inspection problems. |
| CLO3 | Develop and apply suitable image classification, object detection, and image segmentation methods to identify structural defects and damage. |
| CLO4 | Evaluate model performance, uncertainty, generalization, and failure modes using appropriate computer vision and engineering criteria. |
| CLO5 | Design and communicate an integrated computer-vision-based structural inspection system and interpret its outputs for engineering use. |
5. ความสัมพันธ์ระหว่าง CLO และ PLO
| CLO | PLO1 | PLO2 | PLO3 | PLO4 |
|---|---|---|---|---|
| CLO1 | ✓ | ✓ | ||
| CLO2 | ✓ | ✓ | ✓ | |
| CLO3 | ✓ | ✓ | ||
| CLO4 | ✓ | ✓ | ✓ | |
| CLO5 | ✓ | ✓ | ✓ | ✓ |
6. แนวทางการจัดการเรียนการสอน
แม้กำหนดเป็น 3(3-0-6) แต่รูปแบบการเรียนควรผสมผสานการบรรยาย การสาธิต การวิเคราะห์ภาพ การเขียนโปรแกรม และ mini-workshop ในชั้นเรียน
- ใช้ Python เป็นเครื่องมือหลัก
- เริ่มจาก Classical Computer Vision ก่อน Deep Learning
- ใช้ภาพ defect จริงของโครงสร้าง
- เน้น dataset quality, annotation quality และ domain shift
- เปรียบเทียบ classification, detection และ segmentation
- ประเมินทั้ง metric ทาง Computer Vision และความหมายทางวิศวกรรม
7. แผนการสอนรายสัปดาห์ 15 สัปดาห์
| สัปดาห์ | หัวข้อ | เนื้อหา/กิจกรรมสำคัญ | ชม. |
|---|---|---|---|
| 1 | Introduction to Computer Vision for Structural Inspection | Visual inspection workflow; manual vs automated inspection; defect taxonomy; inspection objectives; classification vs detection vs segmentation vs measurement; applications to buildings, bridges, and infrastructure | 3 |
| 2 | Image Acquisition for Structural Inspection | Camera fundamentals; focal length; field of view; resolution; scale; illumination; viewpoint; motion blur; occlusion; image quality; planning a field image survey | 3 |
| 3 | Digital Images and Image Preprocessing | Pixels, color spaces, grayscale conversion, normalization, denoising, contrast enhancement, histogram methods, geometric transformations; OpenCV/Python exercises | 3 |
| 4 | Classical Computer Vision and Feature Extraction | Thresholding; edge detection; line and contour detection; morphology; connected components; shape and texture features; simple crack extraction | 3 |
| 5 | Image Segmentation and Quantification of Defects | Binary and multi-class segmentation; contour analysis; crack length/width concepts; area measurement; pixel-to-physical scaling; sources of measurement error | 3 |
| 6 | Introduction to Deep Learning for Images | Neural networks for images; convolution; feature maps; pooling; CNN architecture concepts; training, validation, loss functions; comparison with classical methods | 3 |
| 7 | Image Classification and Transfer Learning | Structural defect classification; pretrained networks; transfer learning; fine-tuning; data augmentation; class imbalance; practical model development | 3 |
| 8 | Midterm Assessment + Computer Vision Workshop | Midterm assessment; integrated image classification/segmentation exercise; discussion of model errors, mislabeled data, and engineering consequences | 3 |
| 9 | Object Detection for Structural Defects | Bounding boxes; object detection workflow; one-stage/two-stage concepts; IoU; precision-recall; mAP; detection of cracks, spalling, rust, or exposed reinforcement | 3 |
| 10 | Semantic and Instance Segmentation | Pixel-level damage localization; semantic vs instance segmentation; encoder-decoder concepts; U-Net/Mask-based approaches; defect area and geometry extraction | 3 |
| 11 | Dataset Development, Annotation and Data Quality | Sampling strategy; annotation protocols; inter-annotator consistency; train/validation/test separation; data leakage; imbalanced datasets; domain shift; dataset documentation | 3 |
| 12 | Model Evaluation, Generalization and Uncertainty | Confusion matrix, precision, recall, F1, IoU, Dice, mAP; threshold selection; false positives/false negatives; calibration concepts; uncertainty; failure analysis; robustness to lighting and viewpoint | 3 |
| 13 | Remote and Large-Scale Structural Inspection | UAV/drone imagery; image mosaics and georeferencing concepts; perspective effects; repeated inspection; temporal comparison/change detection; introduction to 3D reconstruction/photogrammetric concepts | 3 |
| 14 | Design of an Integrated Computer Vision Inspection System | Inspection objective; acquisition plan; dataset; annotation; model selection; inference workflow; defect reporting; human-in-the-loop verification; deployment and project workshop | 3 |
| 15 | Project Presentation and Future Directions | Student project presentations; critique of field readiness; integration with SHM, AI/Data Analytics, Digital Twin, and Asset Management; future autonomous inspection systems | 3 |
| รวม | 45 | ||
8. โครงสร้างความรู้ของกระบวนวิชา
Weeks 1–3
Inspection & Image Fundamentals
Weeks 4–5
Classical Vision & Quantification
Weeks 6–10
Deep Learning Vision
Weeks 11–13
Trustworthy Field Inspection
Weeks 14–15
System Integration
9. การประเมินผล
| วิธีการประเมิน | น้ำหนัก | CLO |
|---|---|---|
| Image processing / computer vision assignments | 20% | CLO1–4 |
| Dataset development and model exercises | 20% | CLO2–4 |
| Midterm examination | 20% | CLO1–4 |
| Computer Vision Structural Inspection Project | 30% | CLO2–5 |
| Project presentation | 10% | CLO5 |
| รวม | 100% |
10. Term Project
Develop and Validate a Computer Vision System for Structural Inspection
ตัวอย่างปัญหา: crack detection/segmentation, crack width or length estimation, spalling, rust/corrosion, exposed reinforcement, surface-defect classification, bridge-component defect detection, post-earthquake visual screening และ repeated-image change detection
ตัวอย่างโจทย์
Develop and validate a computer vision system for detecting and quantifying concrete surface cracks from field images.
องค์ประกอบขั้นต่ำของโครงการ:
- Structural inspection objective
- Defect definition and engineering relevance
- Image acquisition protocol
- Dataset description and quality assessment
- Annotation protocol
- Baseline image-processing method
- Computer vision/deep-learning model
- Training and validation strategy
- Appropriate performance metrics
- Error and failure-mode analysis
- Defect localization or quantification
- Engineering interpretation and limitations
- Proposed human verification or decision workflow
11. Software และเครื่องมือที่เหมาะสม
| ประเภท | ตัวเลือก |
|---|---|
| Programming | Python |
| Image processing | OpenCV, scikit-image |
| Numerical/Data | NumPy, Pandas |
| Visualization | Matplotlib / Plotly |
| Machine Learning | scikit-learn |
| Deep Learning | PyTorch หรือ TensorFlow/Keras |
| Annotation | CVAT, Label Studio, Roboflow หรือเครื่องมือเทียบเท่า |
| Experiment environment | Jupyter Notebook / JupyterLab |
| Image sources | Field images, public structural-defect datasets, UAV images, laboratory images |
12. ขอบเขตของกระบวนวิชา
กระบวนวิชานี้เน้น visual data และ image/video-based structural inspection โดยหัวข้อเฉพาะด้านอื่นเชื่อมโยงไปยังรายวิชาอื่นของ Intelligent Structural Engineering
- General machine learning for tabular/time-series structural data → AI and Data Analytics for Structural Engineering
- Sensors, vibration, DAQ, modal analysis → Structural Health Monitoring and Smart Sensing
- Persistent real-time digital representation and model synchronization → Digital Twin for Structures and Infrastructure
- Network-level condition rating, maintenance planning, and lifecycle decisions → Structural Asset Management and Decision Support
Can the visual system reliably detect, localize, and quantify evidence of structural deterioration under realistic field conditions?
13. ตำแหน่งของกระบวนวิชาใน Intelligent Structural Engineering
↓
Structural Health Monitoring and Smart Sensing
↓
AI and Data Analytics for Structural Engineering
↓
Computer Vision for Structural Inspection
↓
Digital Twin for Structures and Infrastructure
↓
Structural Asset Management and Decision Support
กระบวนวิชานี้ทำหน้าที่เป็นแกนด้าน visual intelligence for structural condition assessment โดยแปลงข้อมูลภาพให้เป็นข้อมูลความเสียหายที่มีโครงสร้างและสามารถส่งต่อไปยัง Digital Twin หรือ Asset Management ได้