Geautomatiseerd goedkoop kader voor barstmetingen in gewapend-betonconstructies met deep-learningbenadering

Waarom kleine scheurtjes in grote constructies ertoe doen

Van snelwegbruggen tot appartementstorens: veel betonnen constructies waar we dagelijks op vertrouwen ontwikkelen langzaam haarfijne scheurtjes. Deze kleine openingen laten water en zout binnendringen die het verborgen staal aantasten en zo de veilige levensduur van een constructie verkorten. Inspecteren en meten van deze scheuren betekende traditioneel langzaam, handmatig werk door specialisten met loepen en meetinstrumenten. Dit artikel introduceert een manier om een gewone smartphone om te toveren tot een goedkoop inspectiehulpmiddel dat automatisch scheuren op betonnen oppervlakken kan opsporen en de breedte kan schatten, zodat ingenieurs kunnen bepalen wanneer herstelwerkzaamheden echt nodig zijn.

Van trage handcontroles naar slimme beelden

Ingenieurs weten al lang dat de grootte en locatie van scheuren belangrijke aanwijzingen zijn voor hoeveel schade een betonconstructie heeft opgelopen en hoeveel resterende levensduur er is. Maar handmatige scheurmetingen zijn tijdrovend, afhankelijk van de vaardigheid van de inspecteur en kunnen inconsistent zijn tussen bezoeken. Onderzoekers hebben geëxperimenteerd met camera’s, lasers en zelfs drones om het proces te automatiseren, maar veel van die systemen zijn duur, lastig op te zetten of moeilijk inzetbaar op krappe of binnenplaatsen. De auteurs van deze studie wilden een praktische alternatieve oplossing ontwerpen die werkt met algemeen verkrijgbare smartphones en eenvoudige geprinte patronen, waardoor de kosten laag blijven terwijl de metingen nauwkeurig genoeg zijn voor beslissingen in de praktijk.

Een computer leren scheuren te zien

Centraal in het nieuwe kader staat een modern beeldherkenningssysteem gebaseerd op een deep-learningmodel genaamd YOLO-V11. Het team trainde dit model met duizenden foto’s van gebarsten betonnen oppervlakken zodat het echte scheuren kon onderscheiden van schaduwen, vlekken en markeringen. Om het systeem robuust te maken in rommelige, echte omgevingen voegden ze bewust kunstmatige gekleurde lijnen toe aan trainingsbeelden, waardoor het model het subtiele visuele verschil tussen een geschilderde lijn en een daadwerkelijke breuk in het beton moest leren. Ze verbeterden ook het contrast en de scherpte van beelden tijdens de training. Deze stappen verbeterden de capaciteit van het model aanzienlijk om scheuren te detecteren en hun randen te volgen, zelfs bij ongelijke belichting of ruwe oppervlakken.

Beelden omzetten naar echte metingen

Een scheur detecteren is maar de helft van het werk; ingenieurs hebben de echte breedte in millimeters nodig, niet alleen in pixels op een scherm. Om die kloof te overbruggen gebruikten de onderzoekers vier kleine dambordpatronen die rondom het gefotografeerde gebied werden geplakt. Omdat de afmeting van elk vakje op het dambord bekend is, kan de software camerahelling en lensvervorming corrigeren en vervolgens berekenen hoeveel millimeter overeenkomt met één pixel in de afbeelding. Het scheurgebied wordt geanalyseerd in overlappende tegels zodat zeer fijne details worden vastgelegd; daarna vindt de software een dunne “skeleton” langs het midden van elke scheur en meet de afstand tot de randen van de scheur langs die lijn. Het combineren van deze stappen levert een kaart van scheurbreedtes over het geïnspecteerde gebied op.

Hoe het in de praktijk presteert

Om hun aanpak te testen verzamelde het team 230 scheurmetingen van zowel labmonsters als bestaande betonnen gebouwen, waarbij een hoogwaardig digitaal microscoopbeeld als referentie diende. Ze namen vervolgens smartphonefoto’s op ongeveer één meter afstand, verwerkten die via hun kader en vergeleken de voorspelde scheurbreedtes met de handmetingen. Gemiddeld was de fout van het geautomatiseerde systeem ongeveer een achtste van de werkelijke breedte, met typische verschillen van slechts enkele honderdsten van een millimeter. Het presteerde vooral goed voor scheuren breder dan een halve millimeter, waar de variatie tussen voorspelde en werkelijke breedtes klein was. Voor extreem dunne scheuren was de onzekerheid groter, wat aangeeft dat dichterbij fotograferen of camera’s met hogere resolutie de nauwkeurigheid verder zou verbeteren.

Wat dit betekent voor alledaagse veiligheid

De studie toont aan dat een zorgvuldig ontworpen combinatie van smartphonefotografie, eenvoudige geprinte patronen en geavanceerde beeldanalyse betrouwbare scheurmetingen kan leveren zonder dure apparatuur of sterk gespecialiseerde operators. Het systeem neigt ernaar scheurbreedtes licht te overschatten, wat een conservatieve en veiliger bias is bij het beoordelen van constructieve gezondheid. Met toekomstige verbeteringen — zoals het gebruik van ingebouwde dieptesensoren op nieuwere telefoons in plaats van fysieke damborden — zou de methode routinematige, goedkope controles van betonnen gebouwen, bruggen en andere constructies veel toegankelijker kunnen maken, eigenaren helpen problemen eerder te signaleren en herstelwerkzaamheden te prioriteren waar ze het meest nodig zijn.

Bronvermelding: 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

Trefwoorden: betonbarsten, monitoring van constructieve gezondheid, deep-learning inspectie, smartphone-gebaseerde meting, infrastructuurveiligheid