Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks

Mengusulkan pengklasifikasi CNN yang mendeteksi retak pada beton tanpa fitur yang dirancang secara manual. Model dilatih pada sekitar 40.000 potongan citra berukuran 256x256, lalu diterapkan pada foto besar dengan jendela geser. Saat diuji pada foto beresolusi tinggi dari struktur yang tidak dipakai dalam pelatihan, termasuk silau, bayangan, dan retak rambut, metode ini mengungguli deteksi tepi Canny dan Sobel. Abstrak tidak membahas citra UAV. Ini adalah studi kamera di darat, yang kemudian menjadi dasar pekerjaan deteksi retak dengan UAV.

Temuan utama

• 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

Keterbatasan

• 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