Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks

Propose un classificateur CNN qui détecte les fissures du béton sans caractéristiques conçues à la main, entraîné sur environ 40 000 imagettes de 256x256 et appliqué à de grandes photos par fenêtre glissante. Testé sur des photos haute résolution d’un ouvrage non utilisé pour l’entraînement, avec reflets, ombres et microfissures, il a surpassé la détection de contours de Canny et de Sobel. Le résumé ne décrit pas d’imagerie par UAV ; il s’agit d’une étude avec caméra au sol sur laquelle s’appuient les travaux ultérieurs de détection de fissures par UAV.

Principaux résultats

• 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

Limites

• 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