PL
EN
Inspekcja budynków pozostaje powolna, kosztowna i w dużej mierze manualna. Inspekcje wizualne mogą trwać wiele godzin i wymagają rusztowań, nocnych zmian i specjalistycznego sprzętu. Jednak wyniki są często niejednoznaczne i mało wiarygodne.
Wraz z postępem technologii cyfrowych rodzi się uzasadnione pytanie, dlaczego ich zalety nie powinny być również wykorzystywane w tej dziedzinie. Rzeczywiście, istnieją już praktyczne zastosowania. Na przykład japoński operator pociągów dużych prędkości wdrożył system wspomagany sztuczną inteligencją, który zastępuje czasochłonne zadanie ręcznego pokonywania kilometrów torów w celu sprawdzenia, czy nie ma poluzowanych śrub lub innych problemów. Ta innowacja nie tylko zwiększyła dokładność, ale również znacznie poprawiła wydajność operacyjną.
W ramach naszych projektów infrastrukturalnych, takich jak RoboTUNN, w ciągu ostatnich kilku miesięcy intensywnie badaliśmy możliwości automatycznego pomiaru uszkodzeń konstrukcyjnych – zwłaszcza szerokości pęknięć. Szerokość pęknięć jest jednym z najważniejszych wskaźników zużycia konstrukcji. Precyzyjne rejestrowanie tych informacji umożliwia wczesne podejmowanie działań konserwacyjnych, obniża koszty renowacji i minimalizuje przestoje.
Spośród mnogości dostępnych podejść badawczych, sami przetestowaliśmy trzy szczególnie obiecujące metody. Poniżej przedstawiamy, które z nich sprawdziły się – i gdzie wciąż pozostają wyzwania.
1. Projekcja ortogonalna (OP) – podejście klasyczne
Metoda ta stanowi podstawę wielu systemów inspekcji strukturalnej opartych na obrazach. Podejście opisane przez Wang et al. (2021) łączy klasyczne przetwarzanie obrazu z głębokim uczeniem, aby klasyfikować głębokość pęknięć na podstawie szerokości geometrycznych.
Mocne strony:
- Szczególnie nadaje się do stosowania w kontrolowanych, ustrukturyzowanych środowiskach, takich jak tory kolejowe.
- Wydajny i szybki po treningu.
Ograniczenia:
- Nie jest to idealne rozwiązanie dla pęknięć silnie zakrzywionych lub rozgałęzionych, ponieważ trudno określić kierunki ortogonalne.
- Zależność od wysokiej jakości masek binarnych – błędy segmentacji pogarszają dokładność pomiaru.
- Segmentacja binarna obrazów o wysokiej rozdzielczości przy użyciu kamery liniowej.
- Ekstrakcja szkieletu pęknięcia (środkowa linia o szerokości 1 piksela).
- Określenie głównego kierunku propagacji każdego punktu szkieletu przy użyciu analizy głównych składowych (PCA).
- Generowanie linii ortogonalnych prostopadłych do osi szkieletu.
- Przecięcia z krawędziami pęknięcia dostarczają lokalnych szerokości (odległości euklidesowe), które są uśredniane i przeliczane na jednostki metryczne za pomocą skali odniesienia.
- Klasyfikacja pęknięć zgodnie z normami (np. >0,2 mm = wysoka głębokość).
- Następne trenowanie modelu głębokiego uczenia, który przewiduje głębokość pęknięć bezpośrednio na podstawie danych obrazowych, eliminując potrzebę ręcznych pomiarów po treningu.
Wyniki metody projekcji ortogonalnej
2. OrthoBoundary (OB) – Bardziej niezawodna wersja
Podejście OB, przedstawione w pracy Li et al. (2024), opiera się na projekcji ortogonalnej, ale eliminuje jej słabości – szczególnie w przypadku zaszumionych krawędzi obrazu, struktur rozgałęzionych i asymetrycznych pęknięć. OB łączy analizę szkieletową z inteligentnym oczyszczaniem, korekcją kierunku i lokalną analizą PCA w celu określenia szerokości w złożonych powierzchniach asfaltowych i betonowych.
Dowiedz się więcej: Jak działa metoda OrthoBoundary?
- Ekstrakcja szkieletu pęknięcia.
- Usunięcie nieistotnych gałęzi, skupiając się na głównym pniu pęknięcia.
- Eliminacja punktów przecięcia.
- Zastosowanie potrójnej analizy PCA i uśrednienia w każdym punkcie szkieletu w celu stabilizacji kierunku.
- Zastosowanie techniki OP do pomiaru szerokości między punktami krawędziowymi. Obliczenie średnich odległości euklidesowych
Metoda ta przewyższa inne powszechnie stosowane techniki, w tym klasyczną projekcję ortogonalną, pod względem dokładności, szybkości i niezawodności.
Mocne strony:
- Odporność na szumy obrazu.
- Nadaje się do pęknięć o złożonej geometrii, w tym pęknięć zakrzywionych i rozwidlonych.
Ograniczenia:
- Przecięcia nie są mierzone.
- Nadal występują problemy z pęknięciami o bardzo zakrzywionych krawędziach.
Porównanie metod OP i OB
3. Analiza częstotliwości – pęknięcia jako ścieżki sygnałowe
Zupełnie innym podejściem jest traktowanie pęknięć jako sygnałów widmowych. Zamiast pomiarów geometrycznych, analizuje się charakterystyki częstotliwościowe z klatek wideo.
Według Cao et al. (2023) metoda ta opiera się na odpornej analizie składowych głównych (RPCA), która rozkłada klatki wideo na dwa składniki:
- Macierz niskiego rzędu → tło
- Macierz rzadka → struktura pęknięć
Dzięki temu tłumiony jest szum tła, a drobne wzory pęknięć stają się wyraźnie widoczne – bez binaryzacji lub progowania.
- Zastosowanie dwuwymiarowej dyskretnej transformaty Fouriera (DFT) do macierzy rzadkiej.
- Centrowanie, transformacja logarytmiczna i analiza widma amplitudy.
- Dopasowanie równoważnej elipsy w celu wyodrębnienia cech geometrycznych (szerokość, orientacja).
- Obliczenie jednowymiarowej gęstości widmowej mocy (PSD) w celu obserwacji intensywności pęknięć widmowych w czasie.
Metoda ta pozwala nie tylko na pomiary szerokości, ale także na wykrywanie rozwoju pęknięć pod obciążeniem. W przeciwieństwie do metod OP i OB, które mierzą bezpośrednio geometrię, to podejście rejestruje zmiany pośrednio za pomocą sygnatur spektralnych – co jest idealne dla monitorowania dynamicznego.
Mocne strony:
- Rejestruje bogate informacje o pęknięciach wykraczające poza szerokość, w tym trendy wzrostu, orientację i ewolucję czasową.
- Wysoka odporność na szum tła dzięki wstępnemu przetwarzaniu RPCA.
Ograniczenia:
- Wymaga ręcznego wyboru progu w dziedzinie częstotliwości.
- Wysokie wymagania dotyczące jakości obrazu i dostrajania parametrów.
Dyskretna transformata Fouriera obrazu pęknięcia
Główne wyzwania: brak rzetelnych informacji
Główną przeszkodą dla wszystkich metod jest brak wiarygodnych danych referencyjnych. Publiczne zbiory danych rzadko są opatrzone adnotacjami o rzeczywistych szerokościach pęknięć, co utrudnia obiektywne porównanie metod. Ponadto niejednorodność danych (np. różne odległości lub kąty kamery) stwarza dodatkowe wątpliwości.
Dopóki nie powstaną wiarygodne zbiory danych, pozostanie nam jedynie pośrednia walidacja poprzez porównania krzyżowe.
Pomimo różnic, wszystkie analizowane podejścia zmierzają w tym samym kierunku: sztuczna inteligencja może sprawić, że pomiar szerokości pęknięć będzie szybszy, bardziej niezawodny i bardziej skalowalny. Same ręczne inspekcje nie są już wystarczające ze względu na rosnące obciążenie infrastruktury. Metody te dowodzą, że dzięki odpowiednim narzędziom i odpowiednim danym uszkodzenia można nie tylko wykryć wcześnie, ale także im zapobiec.
Źródła:
Cao, J., He, H., Zhang, Y., Zhao, W., Yan, Z., & Zhu, H. (2023). Crack detection in ultrahigh-performance concrete using robust principal component analysis and characteristic evaluation in the frequency domain. Structural Health Monitoring, 23(2), 1013–1024. https://doi.org/10.1177/14759217231178457
Li, Z., Miao, Y., Eskandari Torbaghan, M., Zhang, H., & Zhang, J. (2024). Semi-automatic crack width measurement using an OrthoBoundary algorithm. Automation in Construction, 158, 105251. https://doi.org/10.1016/j.autcon.2023.105251
Wang, W., Hu, W., Wang, W., Xu, X., Wang, M., Shi, Y., Qiu, S., & Tutumluer, E. (2021). Automated crack severity level detection and classification for ballastless track slab using deep convolutional neural network. Automation in Construction, 124, 103484. https://doi.org/10.1016/j.autcon.2020.103484
Autorka oryginału: Merve Tas Bangert, Junior Data Scientist, StatSoft GmbH
Zobacz również:
1. Jacek Jakubowski, Kamil Tomczak (2024) Deep learning metasensor for crack-width assessment and self-healing evaluation in concrete, Construction and Building Materials, 422, 135768, https://doi.org/10.1016/j.conbuildmat.2024.135768
2. Jacek Jakubowski, Kamil Tomczak (2025) Dataset for developing deep learning models to assess crack width and self-healing progress in concrete, Scientific Data 12, 165, https://doi.org/10.1038/s41597-025-04485-z