Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks

Schlägt einen CNN-Klassifikator vor, der Betonrisse ohne handgefertigte Merkmale erkennt, trainiert mit rund 40k Bildausschnitten von 256x256 Pixeln und mit einem gleitenden Fenster auf große Fotos angewendet. Getestet an hochauflösenden Fotos eines nicht zum Training genutzten Bauwerks, einschließlich Blendung, Schatten und Haarrissen, übertraf er die Kantenerkennung nach Canny und Sobel. Das Abstract beschreibt keine UAV-Bilder; es ist eine Studie mit Bodenkamera, auf der spätere UAV-Arbeiten zur Risserkennung aufbauen.

Zentrale Ergebnisse

• About 98% accuracy on 256x256 patches (per abstract)
• Tested on 55 images of 5,888x3,584 px from a structure not used in training/validation
• Clearly better than Canny and Sobel edge detectors under glare, shadow and thin-crack conditions

Grenzen

• Not UAV-specific per the abstract; images are not described as aerial
• Patch-level classification, not pixel-level crack width measurement
• Concrete cracks only; other damage types not covered