Automatisiertes kostengünstiges Rahmenkonzept zur Rissmessung in Stahlbetonstrukturen mithilfe eines Deep-Learning-Ansatzes

Warum winzige Risse in großen Bauwerken wichtig sind

Von Autobahnbrücken bis zu Wohnhochhäusern bilden sich in vielen der Betonbauwerke, auf die wir täglich angewiesen sind, allmählich Haarrisse. Diese kleinen Öffnungen können Wasser und Salz eindringen lassen, die den im Inneren verborgenen Stahl angreifen und die sichere Lebensdauer einer Struktur verkürzen. Das Inspektions- und Messverfahren für solche Risse bedeutete traditionell langsame, manuelle Arbeit durch Spezialisten mit Vergrößerungsgläsern und Messschiebern. Diese Studie stellt eine Methode vor, mit der sich ein gewöhnliches Smartphone in ein kostengünstiges Inspektionswerkzeug verwandeln lässt, das automatisch Risse auf Betonsflächen erkennt und deren Breite abschätzt und so Ingenieuren hilft zu entscheiden, wann Reparaturen wirklich nötig sind.

Von langsamen manuellen Kontrollen zu intelligenten Bildern

Ingenieure wissen seit langem, dass Rissgröße und -lage entscheidende Hinweise darauf liefern, wie stark eine Betonstruktur geschädigt ist und wie viel Restlebensdauer verbleibt. Manuelle Rissmessungen sind jedoch zeitaufwendig, abhängig von der Kompetenz der Prüfer und können von einem Termin zum nächsten inkonsistent sein. Forscher haben mit Kameras, Lasern und sogar Drohnen experimentiert, um den Prozess zu automatisieren, doch viele dieser Systeme sind teuer, aufwendig einzurichten oder schwer in engen oder Innenräumen einsetzbar. Die Autorinnen und Autoren dieser Studie setzten sich das Ziel, eine praktische Alternative zu entwickeln, die mit weit verbreiteten Smartphones und einfachen gedruckten Mustern funktioniert, die Kosten niedrig hält und dennoch Messungen liefert, die für Entscheidungen im praktischen Einsatz ausreichend genau sind.

Einem Computer das Sehen von Rissen beibringen

Im Zentrum des neuen Rahmens steht ein modernes Bild­erkennungssystem, das auf einem Deep-Learning-Modell namens YOLO-V11 basiert. Das Team trainierte dieses Modell mit Tausenden von Fotografien rissiger Betonsflächen, damit es echte Risse von Schatten, Flecken und Markierungen unterscheiden kann. Um das System in unordentlichen realen Umgebungen robust zu machen, fügten sie den Trainingsbildern absichtlich künstliche farbige Linien hinzu, wodurch das Modell lernen musste, subtile visuelle Unterschiede zwischen einer aufgemalten Linie und einem tatsächlichen Bruch im Beton zu erkennen. Außerdem wurden Kontrast und Schärfe der Bilder während des Trainings verbessert. Diese Maßnahmen verbesserten die Fähigkeit des Modells deutlich, Risse zu finden und deren Kanten nachzuzeichnen, selbst bei ungleichmäßiger Beleuchtung oder rauer Oberfläche.

Bilder in reale Maße umrechnen

Die Erkennung eines Risses ist nur die halbe Arbeit; Ingenieure benötigen seine reale Breite in Millimetern, nicht nur in Pixeln auf dem Bildschirm. Um diese Lücke zu schließen, verwendeten die Forschenden vier kleine Schachbrettmuster, die um den fotografierten Bereich herum aufgeklebt wurden. Da die Größe jeder Schachbrettquadrate bekannt ist, kann die Software Kameraneigung und Linsenverzerrung korrigieren und dann berechnen, wie viele Millimeter einem Pixel im Bild entsprechen. Der Rissbereich wird in sich überlappenden Kacheln analysiert, damit sehr feine Details erfasst werden, anschließend findet die Software ein dünnes „Skelett“ entlang der Rissmitte und misst die Abstände zu den Risskanten entlang dieser Linie. Durch die Kombination dieser Schritte entsteht eine Karte der Rissbreiten über den inspizierten Bereich.

Wie gut es in der Praxis funktioniert

Um ihren Ansatz zu testen, sammelte das Team 230 Rissmessungen aus Laborproben und bestehenden Betonbauten und nutzte ein hochauflösendes digitales Mikroskop als Referenz. Anschließend machten sie Smartphone-Fotos aus etwa einem Meter Entfernung, verarbeiteten diese mit ihrem Rahmen und verglichen die vorhergesagten Rissbreiten mit den manuellen Messungen. Im Mittel lag der Fehler des automatisierten Systems bei etwa einem Achtel der wahren Breite, wobei typische Unterschiede nur wenige Hundertstel Millimeter betrugen. Besonders gute Ergebnisse zeigte das System bei Rissen, die breiter als ein halbes Millimeter waren, wo die Abweichungen zwischen vorhergesagten und tatsächlichen Breiten gering waren. Bei äußerst dünnen Rissen war die Unsicherheit größer, was darauf hindeutet, dass näher aufgenommene Fotos oder höher auflösende Kameras die Genauigkeit weiter verbessern würden.

Was das für die tägliche Sicherheit bedeutet

Die Studie zeigt, dass eine sorgfältig gestaltete Kombination aus Smartphone-Fotografie, einfachen gedruckten Mustern und fortschrittlicher Bildanalyse zuverlässige Rissmessungen liefern kann, ohne teure Ausrüstung oder hochspezialisierte Bediener zu benötigen. Das System neigt dazu, Rissbreiten leicht zu überschätzen, was beim Bewerten der Strukturgesundheit eine konservative und sicherere Verzerrung darstellt. Mit zukünftigen Verbesserungen — etwa der Nutzung integrierter Tiefensensoren neuerer Telefone anstelle physischer Schachbrettmuster — könnte die Methode routinemäßige, kostengünstige Gesundheitschecks von Betonbauten, Brücken und anderen Strukturen deutlich zugänglicher machen und Eigentümern helfen, Probleme früher zu erkennen und Reparaturen dort zu priorisieren, wo sie am wichtigsten sind.

Zitation: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

Schlüsselwörter: Betonrisse, Überwachung der Strukturgesundheit, Deep-Learning-Inspektion, smartphonebasierte Messung, Infrastruktursicherheit