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

Adapte la détection d’objets Faster R-CNN pour repérer plusieurs types de dommages à la fois plutôt que les seules fissures : fissures du béton, corrosion moyenne et forte de l’acier, corrosion des boulons et délamination de l’acier. Entraîné sur un jeu d’images annotées, il s’exécute assez vite par image pour servir de base à un cadre de détection des dommages à partir de vidéo. Le résumé ne le présente pas comme une étude sur les UAV.

Principaux résultats

• 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

Limites

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