İHA Tabanlı İnşaat Denetiminde Derin Öğrenme ile Çoklu Hasar Tespiti ve SegmentasyonuAutomated Multi-Class Structural Damage Detection and Segmentation for Unmanned Aerial Vehicle-Based Infrastructure Inspection Using Deep Learning

ÖzetSummary

Makale, sivil altyapı üzerindeki çatlaklar, korozyon ve dökülme gibi yapısal hasarları sınıflandıran, segmentleyen ve İHA tabanlı denetim simülasyonu yapan üç aşamalı bir derin öğrenme hattını sunuyor.The paper presents a three-stage deep learning pipeline that classifies, segments, and simulates UAV-based inspections of structural damages such as cracks, corrosion, and spalling on civil infrastructure.

Neden ÖnemliWhy it matters

Doğru çok sınıflı hasar tespiti, köprüler ve açık deniz platformlarının zamanında bakımını sağlamak için kritik öneme sahiptir ve manuel denetim maliyetlerini azaltır. Sınıflandırma, piksel düzeyinde segmentasyon ve bir İHA uçuş simülasyonu entegrasyonu sayesinde, çerçeve düşük donanımda bile gerçek zamanlıya yakın izleme için kullanılabilecek uçtan uca bir çözüm sunar.Accurate multi-class damage detection is crucial for timely maintenance of bridges and offshore platforms, reducing manual inspection costs. By integrating classification, pixel-level segmentation, and a UAV flight simulation, the framework offers an end-to-end solution capable of near real-time monitoring even on low hardware.

Öne ÇıkanlarHighlights

• Aşama 1, farklı öğrenme oranları ve sınıf ağırlıklarıyla ResNet50'yi ince ayar yaparak, 1.600 görüntülü test setinde %85.69 doğruluk elde ediyor.Stage 1 fine-tunes ResNet50 with varying learning rates and class weights, achieving 85.69% accuracy on a test set of 1,600 images.
• Aşama 2, kısmen dondurulmuş bir omurgayla DeepLabV3+ kullanarak, üç sınıflı segmentasyon için 0.7890 mIoU değerine ulaşıyor.Stage 2 employs DeepLabV3+ with a partially frozen backbone, reaching an mIoU of 0.7890 for three-class segmentation.
• Aşama 3, boustrophedon bir İHA denetimini simüle ederek, 20 hasarlı bölgeden 16'sını tespit ediyor ve kare başına ortalama 16.29 ms çıkarım süresi sağlıyor.Stage 3 simulates a boustrophedon UAV inspection, detecting 16 out of 20 damaged regions and delivering an average inference time of 16.29 ms per frame.

EleştiriCritical take

Çalışma, büyük ölçüde halka açık veri kümelerine ve yalnızca 315 gerçek İHA görüntüsüne dayanıyor; bu, ışık değişimleri ve örtülmeler gibi saha koşullarının çeşitliliğini tam olarak yakalayamayabilir.The study relies heavily on publicly available datasets and only 315 real UAV images, which may not fully capture the variability of field conditions such as lighting changes and occlusions.