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

Teste, sur un pont en béton vieillissant, une chaîne de traitement qui détecte les fissures sur les photos d’un drone du commerce et mesure leur largeur et leur longueur. Les fissures ont été détectées avec un R-CNN affiné sur un petit jeu d’entraînement, et une mire carrée de 70 mm fixée sur l’ouvrage a fourni l’échelle en pixels, une homographie corrigeant la distorsion. Les vols étaient manuels, à environ 2 m, car le GPS n’était pas fiable sous le pont. Douze fissures ont été mesurées sur le terrain, mais sans vérification de référence sur place.

Principaux résultats

• 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

Limites

• 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)