Application of Crack Identification Techniques for an Aging Concrete Bridge Inspection Using an Unmanned Aerial Vehicle

Testet an einer alternden Betonbrücke eine Pipeline, die Risse in Fotos einer handelsüblichen Drohne erkennt und deren Breite und Länge misst. Risse wurden mit einem an einem kleinen Trainingssatz feinabgestimmten R-CNN erkannt; ein am Bauwerk angebrachter quadratischer 70-mm-Marker lieferte den Pixelmaßstab, und eine Homographie korrigierte die Verzerrung. Geflogen wurde manuell in etwa 2 m Abstand, weil GPS unter der Brücke unzuverlässig war. Zwölf Risse im Feld wurden vermessen, allerdings ohne Ground-Truth-Kontrolle vor Ort.

Zentrale Ergebnisse

• Lab test relative error about 1-2% for crack quantification
• Field: 12 cracks measured at about 0.53-2.47 mm thick and 6.6-78.4 mm long
• Processing about 150 min for the point cloud and about 14 min for deep-learning detection

Grenzen

• Field measurements not checked against ground truth; no precision/recall reported
• Requires a physical marker on the structure for scale
• Manual flight; GPS unreliable under the bridge
• One bridge, only the rails inspected; small training set (384 images)