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

Testa, em uma ponte de concreto envelhecida, um pipeline que detecta fissuras em fotos de um drone comercial e mede a sua largura e comprimento. As fissuras foram detectadas com uma R-CNN ajustada em um pequeno conjunto de treinamento, e um marcador quadrado de 70 mm fixado à estrutura forneceu a escala de pixel, com homografia corrigindo a distorção. Os voos foram manuais, a cerca de 2 m, porque o GPS não era confiável sob a ponte. Doze fissuras de campo foram dimensionadas, mas sem verificação de referência no local.

Principais conclusões

• 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

Limitações

• 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)