PAPER P02 · 2018
Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types
Cha, Y.-J., Choi, W., Suh, G., Mahmoudkhani, S., Büyüköztürk, O. — Computer-Aided Civil and Infrastructure Engineering 33(9):731-747
Zusammenfassung gelesen Zitationen: openalex: 1,540 · crossref: 1,413 · semanticScholar: 1,454 (2026-10-22)
Passt die Objekterkennung Faster R-CNN an, um mehrere Schadensarten zugleich statt nur Risse zu finden: Betonrisse, mittlere und starke Stahlkorrosion, Schraubenkorrosion und Stahldelamination. Trainiert mit einem annotierten Bildsatz, läuft sie pro Bild schnell genug, um ein videobasiertes Framework zur Schadenserkennung zu tragen. Das Abstract ordnet die Arbeit nicht als UAV-Studie ein.
Zentrale Ergebnisse
- Mean average precision 87.8% across five damage classes (class APs 90.6, 83.4, 82.1, 98.1, 84.7%)
- 0.03 s per 500x375 image, enabling a near real-time video framework
- Dataset of 2,366 labelled images
Grenzen
- Abstract only reviewed
- Not described as UAV imagery; robustness test used only 11 new images
- Bounding boxes, not damage size or severity measurement
Blendung von nassen oder glänzenden Oberflächen lässt sich manchmal mit einem Polfilter verringern; siehe ND- und Polfilter auswählen im Aerial-Guide.