Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types

Adapta la detección de objetos Faster R-CNN para encontrar varios tipos de daño a la vez en lugar de solo grietas: grietas en hormigón, corrosión media y alta del acero, corrosión de pernos y delaminación del acero. Entrenado con un conjunto de imágenes etiquetadas, procesa cada imagen con rapidez suficiente para sustentar un marco de detección de daños basado en vídeo. El resumen no lo plantea como un estudio con UAV.

Hallazgos clave

• 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

Limitaciones

• Abstract only reviewed
• Not described as UAV imagery; robustness test used only 11 new images
• Bounding boxes, not damage size or severity measurement