Thesis (M.Sc)-Cairo University, 2024.

Bibliography: pages 105-115.

Reinforced rebar is a crucial aspect of the structural assessment of reinforced concrete buildings. Traditional methods often involve destructive methods that can compromise the integrity of the structure. Non-destructive testing methods, such as ground penetrating radar, have become increasingly popular for structural assessments in buildings. These methods provide valuable information about the condition of the rebar without damaging the structure. However, interpreting the data can be complex and requires specialized training. This research proposes a framework that integrates GPR with deep learning to automate rebar detection and analysis, overcoming the limitations of manual data interpretation. The framework involves three stages: creating the data set, data set preparation and processing, and training and evaluating the deep model. The integration of GPR with deep learning has the potential to improve the accuracy and efficiency of rebar detection in structural assessments. By automating the process, the proposed framework can help save time and resources while ensuring reliable results.

يعد حديد التسليح من العوامل الأساسية لتقييم حالة المباني، وغالبًا ما تعتمد الأساليب التقليدية على أساليب مدمرة من الممكن أن تهدد سلامة المبني بشكل عام. لقد أصبحت طرق الاختبار غير المتلفة من الطرق الشائعة، مثل الرادار مخترق الأراضي في تقييم المباني، لما توفره هذه الطرق من معلومات قيمة حول حديد التسليح دون الإضرار بهيكل المبني. ومع ذلك فإن استخدام هذه الطرق يحتوي على صعاب متمثلة في تفسير البيانات التي تحتاج إلى أصحاب المهارات العالية. ويقترح هذا البحث إطارًا لدمج التعليم الآلي لاكتشاف البيانات وتحليلها للتغلب على قيود التفسير غير الآلي الذي يـأخذ وقتًا طويلًا، وهذا الدمج يعمل علي تحسين الدقة وكفاءة الكشف عن حديد التسليح في المباني، ومن خلال هذه العملية يتم توفير الوقت والموارد مع ضمان تحقيق نتائج دقيقة

Issues also as CD.

Text in English and abstract in Arabic & English.