Key points are not available for this paper at this time.
Die Schadensuntersuchungs- und Inspektionsmethoden für Infrastrukturen, die in kleinen (Typ III) Einrichtungen durchgeführt werden, beinhalten normalerweise eine visuelle Untersuchung durch einen Inspektor unter Verwendung von Vermessungswerkzeugen (z. B. Rissbildung, Rissmikroskop usw.) im Feld. Diese Methoden können die Subjektivität des Inspektors beeinträchtigen, was die Objektivität und Zuverlässigkeit der Aufzeichnung verringern kann. Daher wird eine neue Bildanalysetechnik benötigt, um Risse automatisch zu erkennen und die Merkmale der Risse objektiv zu analysieren. In dieser Studie wurde eine Bildanalysetechnik entwickelt, die Deep Learning nutzt, um Risse zu erkennen und Merkmale (z. B. Länge und Breite) in Bildern für kleine Einrichtungen zu analysieren. Es werden drei Stufen einer Bildverarbeitungs-Pipeline vorgeschlagen, um die Rissdetektion und deren Merkmale zu erhalten. In den ersten beiden Stufen werden zweidimensionale konvolutionale neuronale Netzwerke für die Rissbilddetektion (z. B. Klassifizierung und Segmentierung) verwendet. Basierend auf dem konvolutionalen neuronalen Netzwerk zur Detektion wird eine hierarchische Merkmalslernumgebung in unser Deep Learning-Netzwerk angewendet. Nach der von Deep Learning basierten Erkennung werden in der dritten Stufe Verdünnungs- und Verfolgungsalgorithmen angewendet, um Länge und Breite des Risses im Bild zu analysieren. Die Leistung der vorgeschlagenen Methode wurde unter Verwendung verschiedener Rissbilder mit Labels getestet, und die Ergebnisse zeigten eine gute Leistung bei der Rissdetektion und -messung.
Kim et al. (Mon,) untersuchten diese Frage.