Deep Super Resolution Crack Network (SrcNet) zur Verbesserung der computergestützten automatischen Rissdetektierbarkeit in situ-Brücken

In diesem Artikel wird ein neuartiges end-to-end-Deep-Super-Resolution-Rissnetzwerk (SrcNet) vorgestellt, das die automatisierte Rissdetektierbarkeit auf Basis von Computer Vision verbessern soll. Digitale Bilder, die zur Rissdetektion an großflächigen Infrastrukturprojekten mit Hilfe von unbemannten Robotern erfasst werden, leiden häufig unter Bewegungsunschärfe und mangelnder Pixelauflösung, was die entsprechende Rissdetektierbarkeit beeinträchtigen kann. Das vorgeschlagene SrcNet ermöglicht eine signifikante Verbesserung der Rissdetektierbarkeit durch Erhöhung der Pixelauflösung der Rohbilder mittels Deep Learning. SrcNet besteht grundsätzlich aus zwei Phasen: Phase I – Generierung von Super-Resolution-(SR)-Bildern mittels Deep Learning und Phase II – automatisierte Rissdetektion mittels Deep Learning. Sobald die Rohbilder von einer Zielbrücke erfasst wurden, erzeugt Phase I des SrcNet die entsprechenden SR-Bilder der Rohbilder. Anschließend führt Phase II die automatische Rissdetektion auf Basis der generierten SR-Bilder durch, wodurch eine bemerkenswerte Verbesserung der Rissdetektierbarkeit ermöglicht wird. SrcNet wurde experimentell anhand von digitalen Bildern validiert, die mit einem Kletterroboter und einem unbemannten Luftfahrzeug an vor Ort befindlichen Betonbrücken in Südkorea aufgenommen wurden. Die Validierungsergebnisse zeigen, dass das vorgeschlagene SrcNet eine um 24 % verbesserte Rissdetektierbarkeit im Vergleich zu den Ergebnissen der Rissdetektion an Rohbildern aufweist.