PAPER P02 · 2018
Autonomous Structural Visual Inspection Using Region-Based Deep Learning for Detecting Multiple Damage Types
Cha, Y.-J., Choi, W., Suh, G., Mahmoudkhani, S., Büyüköztürk, O. — Computer-Aided Civil and Infrastructure Engineering 33(9):731-747
Abstrak sudah dibaca Sitasi: openalex: 1,540 · crossref: 1,413 · semanticScholar: 1,454 (2026-10-22)
Menyesuaikan deteksi objek Faster R-CNN agar menemukan beberapa jenis kerusakan sekaligus, bukan hanya retak: retak beton, korosi baja tingkat sedang dan tinggi, korosi baut, serta delaminasi baja. Dilatih pada kumpulan citra berlabel, metode ini cukup cepat per citra untuk menopang kerangka deteksi kerusakan berbasis video. Abstrak tidak membingkainya sebagai studi UAV.
Temuan utama
- 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
Keterbatasan
- Abstract only reviewed
- Not described as UAV imagery; robustness test used only 11 new images
- Bounding boxes, not damage size or severity measurement
Silau dari permukaan basah atau mengilap terkadang dapat dikurangi dengan filter polarisasi; lihat memilih filter ND dan polarisasi dalam panduan Aerial.