Strukturelle Rissdetektion mittels tiefenlernen-basierter vollkonvolutioneller Netzwerke

Risse stellen eine potenzielle Bedrohung für die Sicherheit und Langlebigkeit von Infrastrukturprojekten dar, und daher ist eine sorgfältige und regelmäßige Inspektion struktureller Risse während ihrer langfristigen Nutzungsdauer erforderlich. Viele bildverarbeitende Ansätze wurden zur Detektion struktureller Risse entwickelt. Diese Methoden sind jedoch, ähnlich wie traditionelle Kantenerkennungsalgorithmen, anfällig für Störungen durch Umwelteinflüsse. Konvolutionale neuronale Netzwerke sind neu entwickelte Methoden und zeigen hervorragende Leistungen in Bildklassifizierungsaufgaben. Diese Studie schlägt ein vollkonvolutionales Netzwerk namens Ci-Net zur Identifizierung struktureller Risse vor. Pixelgenau beschriftete Bildtrainingsdaten werden aus dem Online-Datensatz gewonnen. Vier Indizes werden verwendet, um die Leistung des trainierten Ci-Nets zu bewerten. Rissbilder aus einem Test an einem indoor Betonschauer werden zur Validierung der Fähigkeit zur Erkennung struktureller Risse verwendet. Die Erkennungsergebnisse werden auch mit denen verglichen, die mit den Kantenerkennungsmethoden erzielt wurden. Dies zeigt, dass Ci-Net eine bessere Leistung als die Kantenerkennungsmethoden bei der Detektion struktureller Schäden aufweist.