تُقدّم هذه المقالة شبكة جديدة للتحسين التلقائي للدقة البصرية (SrcNet) ذات النموذج الشامل (end-to-end) لتحسين كفاءة الكشف التلقائي عن الشقوق باستخدام الرؤية الحاسوبية. غالبًا ما تعاني الصور الرقمية التي تُجمع من الهياكل المدنية الضخمة للكشف عن الشقوق باستخدام الروبوتات غير المأهولة من تشويش حركة (motion blur) ونقص في دقة البكسل، مما قد يؤدي إلى تدهور كفاءة الكشف عن الشقوق. تُظهر SrcNet المُقترحة قدرة كبيرة على تحسين كفاءة الكشف عن الشقوق من خلال زيادة دقة البكسل للصورة الرقمية الأصلية باستخدام التعلم العميق. تتكون SrcNet بشكل أساسي من مرحلتين: المرحلة الأولى – إنشاء صور ذات دقة عالية (SR) باستخدام التعلم العميق، والمرحلة الثانية – الكشف التلقائي عن الشقوق باستخدام التعلم العميق. بمجرد الحصول على الصور الرقمية الأصلية من سطح جسر معين، تقوم المرحلة الأولى من SrcNet بإنشاء صور ذات دقة عالية مُقابلة للصور الأصلية. ثم تُجرى المرحلة الثانية للكشف التلقائي عن الشقوق من خلال الصور ذات الدقة العالية المُنشأة، مما يتيح تحسينًا ملحوظًا لكفاءة الكشف عن الشقوق. وقد تم التحقق تجريبيًا من أداء SrcNet باستخدام صور رقمية تم جمعها بواسطة روبوت تسلق وطائرة مُسيرة (UAV) من جسور خرسانية موجودة في الموقع في جنوب كوريا. أظهرت نتائج الاختبار التجريبي أن SrcNet المُقترحة تحقق كفاءة كشف عن الشقوق أفضل بنسبة 24% مقارنةً بنتائج الكشف باستخدام الصور الرقمية الأصلية.