Quadro automatizzato a basso costo per la misurazione delle fessure nelle strutture in CA mediante approccio di deep learning

Perché piccole crepe in grandi strutture sono importanti

Dai ponti autostradali ai palazzi residenziali, molte delle strutture in calcestruzzo su cui facciamo affidamento ogni giorno sviluppano gradualmente microfessure. Queste piccolissime aperture possono far penetrare acqua e sali che corrodono l’armatura metallica nascosta all’interno, riducendo la vita utile sicura della struttura. Ispezionare e misurare queste fessure è tradizionalmente un lavoro lento e manuale svolto da specialisti con lenti di ingrandimento e strumenti di misura. Questo articolo presenta un metodo per trasformare uno smartphone comune in uno strumento di ispezione a basso costo capace di individuare automaticamente le fessure sulle superfici in calcestruzzo e stimarne la larghezza, aiutando gli ingegneri a decidere quando sono necessari interventi di riparazione.

Dai controlli manuali lenti alle immagini intelligenti

Gli ingegneri sanno da tempo che dimensione e posizione delle fessure sono indizi chiave dell’entità del danno subito da una struttura in calcestruzzo e della sua vita residua. Ma le misurazioni manuali delle fessure richiedono tempo, dipendono dall’esperienza dell’ispettore e possono essere incoerenti tra una visita e l’altra. I ricercatori hanno sperimentato fotocamere, laser e persino droni per automatizzare il processo, ma molti di questi sistemi sono costosi, complessi da installare o difficili da impiegare in spazi ristretti o interni. Gli autori di questo studio hanno progettato un’alternativa pratica che funziona con smartphone largamente diffusi e semplici schemi stampati, mantenendo i costi contenuti pur fornendo misure sufficientemente accurate per decisioni sul campo.

Insegnare a un computer a vedere le fessure

Al centro del nuovo quadro c’è un moderno sistema di riconoscimento delle immagini basato su un modello di deep learning chiamato YOLO-V11. Il team ha addestrato questo modello con migliaia di fotografie di superfici in calcestruzzo incrinate in modo che potesse distinguere vere fessure da ombre, macchie e segni. Per rendere il sistema robusto in ambienti reali disordinati, hanno aggiunto intenzionalmente linee colorate artificiali sulle immagini di addestramento, costringendo il modello a imparare le sottili differenze visive tra una linea pitturata e una reale frattura nel calcestruzzo. Hanno inoltre migliorato contrasto e nitidezza delle immagini durante l’addestramento. Questi passaggi hanno notevolmente migliorato la capacità del modello di individuare le fessure e tracciarne i bordi, anche con illuminazione irregolare o superfici ruvide.

Convertire le immagini in misurazioni reali

Rilevare una fessura è solo metà del lavoro; gli ingegneri hanno bisogno della sua larghezza reale in millimetri, non solo in pixel sullo schermo. Per colmare questo divario, i ricercatori hanno impiegato quattro piccoli schemi a scacchiera incollati intorno all’area fotografata. Poiché la dimensione di ogni quadrato è nota, il software può correggere l’inclinazione della fotocamera e la distorsione dell’obiettivo, quindi calcolare quanti millimetri corrispondono a ciascun pixel nell’immagine. La regione della fessura viene analizzata a tasselli sovrapposti in modo da catturare dettagli molto fini; successivamente il software individua uno stretto “scheletro” lungo il centro di ciascuna fessura e misura la distanza fino ai bordi lungo questa linea. Combinando questi passaggi si ottiene una mappa delle larghezze delle fessure nell’area ispezionata.

Quanto funziona nel mondo reale

Per testare l’approccio, il team ha raccolto 230 misurazioni di fessure sia da provini di laboratorio sia da edifici in calcestruzzo esistenti, usando come riferimento un microscopio digitale ad alta risoluzione. Hanno poi scattato foto con smartphone a circa un metro di distanza, le hanno elaborate con il loro quadro e hanno confrontato le larghezze previste con le letture manuali. In media, l’errore del sistema automatizzato è stato di circa un ottavo della larghezza reale, con differenze tipiche di solo pochi centesimi di millimetro. Ha funzionato particolarmente bene per fessure più larghe di mezzo millimetro, dove la variazione tra i valori previsti e quelli effettivi era ridotta. Per fessure estremamente sottili l’incertezza era maggiore, suggerendo che foto più ravvicinate o fotocamere a risoluzione superiore migliorerebbero ulteriormente l’accuratezza.

Cosa significa per la sicurezza quotidiana

Lo studio dimostra che una combinazione accuratamente progettata di fotografia con smartphone, semplici schemi stampati e analisi avanzata delle immagini può fornire misurazioni affidabili delle fessure senza attrezzature costose o operatori altamente specializzati. Il sistema tende a sovrastimare leggermente le larghezze delle fessure, un bias conservativo e più sicuro quando si valuta la salute strutturale. Con miglioramenti futuri — per esempio l’uso dei sensori di profondità integrati sui telefoni più recenti al posto delle scacchiere fisiche — il metodo potrebbe rendere i controlli di routine a basso costo per edifici in calcestruzzo, ponti e altre strutture molto più accessibili, aiutando i proprietari a individuare i problemi prima e a dare priorità alle riparazioni dove servono di più.

Citazione: 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

Parole chiave: fessure nel calcestruzzo, monitoraggio della salute strutturale, ispezione con deep learning, misurazione tramite smartphone, sicurezza delle infrastrutture