Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks

Propone un clasificador CNN que detecta grietas en hormigón sin características diseñadas a mano, entrenado con unos 40k parches de imagen de 256x256 y aplicado a fotos grandes con una ventana deslizante. Probado en fotos de alta resolución de una estructura no usada en el entrenamiento, con reflejos, sombras y grietas capilares, superó a la detección de bordes de Canny y Sobel. El resumen no describe imágenes de UAV; es un estudio con cámara terrestre sobre el que se apoyan trabajos posteriores de detección de grietas con UAV.

Hallazgos clave

• 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

Limitaciones

• 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