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
抄録確認 被引用数: openalex: 1,540 · crossref: 1,413 · semanticScholar: 1,454 (2026-10-22)
ひび割れだけでなく複数種類の損傷を一度に見つけるため、物体検出モデルFaster R-CNNを改良して適用した研究。コンクリートのひび割れ、鋼材の腐食（中・高）、ボルトの腐食、鋼材の剥離の5種類をラベル付けした画像で学習した。1枚あたりの処理が速く、動画からの損傷検出の枠組みにも広げている。抄録ではUAVは前提にしていない。
方法：500×375画素の画像2,366枚に5種類の損傷をラベル付けし、改良Faster R-CNNを学習・検証・試験し、別構造物の6,000×4,000画素画像11枚で頑健性を確かめた。
主な結果
- 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
限界
- Abstract only reviewed
- Not described as UAV imagery; robustness test used only 11 new images
- Bounding boxes, not damage size or severity measurement