Zautomatyzowane niskokosztowe rozwiązanie do pomiarów rys w konstrukcjach żelbetowych z wykorzystaniem podejścia głębokiego uczenia

Dlaczego drobne rysy w dużych konstrukcjach mają znaczenie

Od mostów autostradowych po wieżowce mieszkalne — wiele betonowych obiektów, na których polegamy na co dzień, stopniowo rozwija włosowate rysy. Te maleńkie szczeliny mogą wpuścić wodę i sól, które korodują ukrytą stal, skracając bezpieczny okres eksploatacji konstrukcji. Inspekcje i pomiary rys tradycyjnie oznaczały powolną, manualną pracę specjalistów z lupami i przyrządami pomiarowymi. W artykule przedstawiono sposób, by przekształcić zwykły smartfon w niskokosztowe narzędzie inspekcyjne, które automatycznie wykrywa rysy na powierzchniach betonowych i szacuje ich szerokość, pomagając inżynierom zdecydować, kiedy naprawy są rzeczywiście konieczne.

Od powolnych kontroli manualnych do inteligentnych obrazów

Inżynierowie od dawna wiedzą, że wielkość i położenie rysy to kluczowe wskazówki dotyczące stopnia uszkodzenia konstrukcji betonowej i jej pozostałego okresu eksploatacji. Jednak ręczne pomiary rys są czasochłonne, zależą od umiejętności inspektora i mogą być niespójne między kolejnymi wizytami. Badacze eksperymentowali z kamerami, laserami, a nawet dronami, by zautomatyzować proces, ale wiele z tych systemów jest kosztownych, trudnych w konfiguracji lub trudnych do zastosowania w ciasnych czy wewnętrznych przestrzeniach. Autorzy badania postawili sobie za cel zaprojektowanie praktycznej alternatywy działającej z powszechnie dostępnymi smartfonami i prostymi wydrukowanymi wzorcami, utrzymując koszty na niskim poziomie przy jednoczesnym dostarczeniu dokładności wystarczającej do decyzji w realnych warunkach.

Nauka komputera rozpoznawania rys

Rdzeniem nowego systemu jest nowoczesny system rozpoznawania obrazów oparty na modelu głębokiego uczenia o nazwie YOLO-V11. Zespół wytrenował ten model na tysiącach zdjęć pękniętych powierzchni betonowych, aby potrafił odróżniać prawdziwe rysy od cieni, plam i oznaczeń. Aby uczynić system odpornym w złożonych, rzeczywistych warunkach, celowo dodawano sztuczne kolorowe linie na obrazach treningowych, zmuszając model do nauczenia się subtelnych różnic wizualnych między malowaną linią a rzeczywistym pęknięciem w betonie. Podczas treningu zwiększano także kontrast i ostrość obrazów. Te zabiegi znacząco poprawiły zdolność modelu do wykrywania rys i odwzorowywania ich krawędzi, nawet przy nierównomiernym oświetleniu lub chropowatej powierzchni.

Przekształcanie zdjęć w rzeczywiste pomiary

Wykrycie rysy to tylko połowa zadania; inżynierowie potrzebują jej rzeczywistej szerokości w milimetrach, a nie tylko w pikselach na ekranie. Aby wypełnić tę lukę, badacze użyli czterech małych wzorców w szachownicę przyklejonych wokół fotografowanego obszaru. Ponieważ wielkość każdego pola szachownicy jest znana, oprogramowanie może skorygować pochylenie kamery i zniekształcenia obiektywu, a następnie obliczyć, ile milimetrów odpowiada pojedynczemu pikselowi na obrazie. Obszar rysy analizowany jest w nachodzących na siebie kafelkach, aby uchwycić bardzo drobne detale, następnie oprogramowanie znajduje cienki „szkielet” wzdłuż środka każdej rysy i mierzy odległość do krawędzi rysy wzdłuż tej linii. Połączenie tych kroków daje mapę szerokości rys w obrębie kontrolowanego obszaru.

Jak sprawdza się w terenie

Aby przetestować swoje podejście, zespół zebrał 230 pomiarów rys zarówno z próbek laboratoryjnych, jak i istniejących obiektów betonowych, używając mikroskopu cyfrowego o wysokiej rozdzielczości jako odniesienia. Następnie wykonali zdjęcia smartfonem z odległości około jednego metra, przetworzyli je przez swój system i porównali przewidywane szerokości rys z odczytami ręcznymi. Średni błąd systemu zautomatyzowanego wynosił około jednej ósmej rzeczywistej szerokości, z typowymi różnicami rzędu tylko kilku setnych milimetra. System sprawdzał się szczególnie dobrze dla rys szerokich ponad pół milimetra, gdzie różnice między przewidywanymi a rzeczywistymi szerokościami były niewielkie. Dla ekstremalnie cienkich rys niepewność była większa, co sugeruje, że bliższe zdjęcia lub aparaty o wyższej rozdzielczości jeszcze poprawiłyby dokładność.

Co to oznacza dla codziennego bezpieczeństwa

Badanie pokazuje, że starannie zaprojektowane połączenie fotografii smartfonowej, prostych wydrukowanych wzorców i zaawansowanej analizy obrazu może dostarczyć wiarygodnych pomiarów rys bez drogich urządzeń czy wysoce wyspecjalizowanych operatorów. System ma tendencję do nieznacznego zawyżania szerokości rys, co stanowi konserwatywne i bezpieczniejsze nastawienie przy ocenie stanu konstrukcji. Przy dalszych usprawnieniach — na przykład wykorzystaniu wbudowanych czujników głębi w nowszych telefonach zamiast fizycznych szachownic — metoda mogłaby uczynić rutynowe, niskokosztowe kontrole stanu technicznego budynków, mostów i innych konstrukcji znacznie bardziej dostępnymi, pomagając właścicielom wcześniej wykrywać problemy i priorytetyzować naprawy tam, gdzie są najbardziej potrzebne.

Cytowanie: 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

Słowa kluczowe: pęknięcia betonu, monitorowanie stanu technicznego konstrukcji, inspekcja z użyciem głębokiego uczenia, pomiar za pomocą smartfona, bezpieczeństwo infrastruktury