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

Adapta a detecção de objetos Faster R-CNN para encontrar vários tipos de dano de uma vez, em vez de apenas fissuras: fissuras em concreto, corrosão média e alta do aço, corrosão de parafusos e delaminação do aço. Treinado em um conjunto de imagens rotuladas, é rápido o suficiente por imagem para sustentar um framework de detecção de danos baseado em vídeo. O resumo não o enquadra como um estudo de UAV.

Principais conclusões

• 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

Limitações

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