In diesem Papier wird ein kosteneffektiver Ansatz zur strukturellen Gesundheitsüberwachung (SHM) vorgestellt, der auf standardmäßiger Bildverarbeitung und konvolutionalen neuronalen Netzwerken (CNNs) zur Objekterkennung basiert. Der vorgeschlagene Algorithmus identifiziert und verfolgt präzise geometrische Messmotive über Bildsequenzen hinweg, wodurch eine genaue Positions- und zweidimensionale Verschiebungsbestimmung ermöglicht wird. Experimentelle Untersuchungen mit einer minimalen Implementierung unter Verwendung von quelloffenen Python (3.12) Bibliotheken zeigen eine enge Übereinstimmung mit Referenzmessungen und geringem Messrauschen. Die Studie hebt auch hervor, wie die Auswahl geometrischer Formen, die Anordnung der Motive und Techniken zur Vorverarbeitung die Messgenauigkeit beeinflussen. Diese robuste, skalierbare, minimal-invasive Methode bietet eine kostengünstige Alternative zu traditionellen SHM-Systemen. Ihre Flexibilität ermöglicht eine Anpassung an verschiedene Infrastrukturen. Potenzielle zukünftige Verbesserungen umfassen Dehnungsmessungen aus mehreren Motiven, Mehrflächenüberwachung und maschinelles Lernen basierte Fehlerkorrekturen. Diese Merkmale deuten darauf hin, dass dieser Ansatz eine vielversprechende Lösung für zuverlässige, erschwingliche und anpassbare SHM darstellt.
Meßerer et al. (Mon,) untersuchten diese Frage.