Deep learning approaches for autonomous crack detection in concrete wall, brick deck and pavement

Fethi Şermet; Ishak Pacal

Makale detayları

Deep learning approaches for autonomous crack detection in concrete wall, brick deck and pavement

Yazarlar:

Fethi Şermet | Ishak Pacal

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Betonarme Yapılar | Yapı Malzemeleri

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 2, pp.503-513

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001320916

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 Detecting cracks is vital for inspecting and maintaining concrete structures, enabling early intervention and preventing potential damage. The advent of computer vision and image processing in civil engineering has ushered in deep learning-based semi-automaticautomatic techniques, replacing traditional visual inspections. These methods, driven by autonomous diagnosis, have applications across various sectors, fostering rapid progress in civil engineering. In this study, we present an approach that combines vision transformers and convolutional neural networks CNN for autonomously diagnosing cracks in bridges, roads, and walls. Performance enhancement was achieved through transfer learning, data augmentation, and optimized hyperparameters, utilizing popular CNN and ViT architectures. The proposed method was tested on the SDNET2018 dataset, comprising over 56,000 images. Experimental results demonstrated the approachs effectiveness, achieving high accuracy in detecting road cracks at 96.41, wall cracks at 92.76, and bridge cracks at 92.81. These findings highlight the promising potential of deep learning in this field.

 Detecting cracks is vital for inspecting and maintaining concrete structures, enabling early intervention and preventing potential damage. The advent of computer vision and image processing in civil engineering has ushered in deep learning-based semi-automaticautomatic techniques, replacing traditional visual inspections. These methods, driven by autonomous diagnosis, have applications across various sectors, fostering rapid progress in civil engineering. In this study, we present an approach that combines vision transformers and convolutional neural networks CNN for autonomously diagnosing cracks in bridges, roads, and walls. Performance enhancement was achieved through transfer learning, data augmentation, and optimized hyperparameters, utilizing popular CNN and ViT architectures. The proposed method was tested on the SDNET2018 dataset, comprising over 56,000 images. Experimental results demonstrated the approachs effectiveness, achieving high accuracy in detecting road cracks at 96.41, wall cracks at 92.76, and bridge cracks at 92.81. These findings highlight the promising potential of deep learning in this field.

 Detecting cracks is vital for inspecting and maintaining concrete structures, enabling early intervention and preventing potential damage. The advent of computer vision and image processing in civil engineering has ushered in deep learning-based semi-automaticautomatic techniques, replacing traditional visual inspections. These methods, driven by autonomous diagnosis, have applications across various sectors, fostering rapid progress in civil engineering. In this study, we present an approach that combines vision transformers and convolutional neural networks CNN for autonomously diagnosing cracks in bridges, roads, and walls. Performance enhancement was achieved through transfer learning, data augmentation, and optimized hyperparameters, utilizing popular CNN and ViT architectures. The proposed method was tested on the SDNET2018 dataset, comprising over 56,000 images. Experimental results demonstrated the approachs effectiveness, achieving high accuracy in detecting road cracks at 96.41, wall cracks at 92.76, and bridge cracks at 92.81. These findings highlight the promising potential of deep learning in this field.

 Çatlakların tespiti, beton yapıların incelenmesi ve bakımı, erken müdahalenin sağlanması ve olası hasarların önlenmesi açısından hayati öneme sahiptir. İnşaat mühendisliğinde bilgisayarlı görme ve görüntü işlemenin ortaya çıkışı, geleneksel görsel incelemelerin yerini alarak derin öğrenmeye dayalı yarı otomatikotomatik tekniklerin yolunu açtı. Otonom teşhisle yönlendirilen bu yöntemlerin çeşitli sektörlerde uygulamaları vardır ve inşaat mühendisliğinde hızlı ilerlemeyi teşvik eder. Bu çalışmada köprüler, yollar ve duvarlardaki çatlakları bağımsız olarak teşhis etmek için görüş transformatörlerini ve evrişimli sinir ağlarını CNN birleştiren bir yaklaşım sunulmuştur. Popüler CNN ve ViT mimarileri kullanılarak transfer öğrenimi, veri artırma ve optimize edilmiş hiper parametreler yoluyla performans iyileştirmesi sağlandı. Önerilen yöntem, 56.000den fazla görüntü içeren SDNET2018 veri kümesi üzerinde test edildi. Deneysel sonuçlar, yaklaşımın etkinliğini gösterdi; yol çatlaklarını 96,41, duvar çatlaklarını 92,76 ve köprü çatlaklarını 92,81 tespit etmede yüksek doğruluk elde etti. Bu bulgular, bu alanda derin öğrenmenin umut verici potansiyelini ortaya çıkarmaktadır.

Makale detayları

Deep learning approaches for autonomous crack detection in concrete wall, brick deck and pavement

Yazarlar:

Fethi Şermet | Ishak Pacal

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Betonarme Yapılar | Yapı Malzemeleri

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 2, pp.503-513

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001320916

pISSN:

1309-8640

Crack detection

structural cracks

deep learning

image processing

CNNÇatlak tespiti

yapısal çatlaklar

derin öğrenme

görüntü işleme

CNN

Sayı

Makale detayları

Yazarlar: Fethi Şermet | Ishak Pacal

Yayıncı: Dicle University

Ana Başlıklar: Derin Öğrenme | Betonarme Yapılar | Yapı Malzemeleri

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 2, pp.503-513

Belge Tipi: Makale

Yayın Tarihi: 6/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001320916

pISSN: 1309-8640

Sayı

Yazarlar:

Fethi Şermet | Ishak Pacal

Yayıncı:

Dicle University

Ana Başlıklar:

Derin Öğrenme | Betonarme Yapılar | Yapı Malzemeleri

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 2, pp.503-513

Belge Tipi:

Makale

Yayın Tarihi:

6/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001320916

pISSN:

1309-8640