Estrutura automatizada e de baixo custo para medições de fissuras em estruturas de CA usando abordagem de aprendizado profundo

Por que pequenas fissuras em grandes estruturas importam

De pontes rodoviárias a torres residenciais, muitas das estruturas de concreto de que dependemos diariamente desenvolvem lentamente fissuras capilares. Essas microaberturas podem permitir a entrada de água e sal, que corroem o aço interno e reduzem a vida útil segura da estrutura. Inspecionar e medir essas fissuras tradicionalmente exigia trabalho manual e demorado por especialistas com lupas e calibres. Este artigo apresenta uma forma de transformar um smartphone comum em uma ferramenta de inspeção de baixo custo que pode identificar automaticamente fissuras em superfícies de concreto e estimar sua largura, ajudando engenheiros a decidir quando os reparos são realmente necessários.

De verificações manuais lentas para imagens inteligentes

Engenheiros sabem há muito tempo que o tamanho e a localização das fissuras são indícios fundamentais do dano sofrido por uma estrutura de concreto e da sua vida remanescente. Mas as medições manuais são demoradas, dependem da habilidade do inspetor e podem ser inconsistentes entre visitas. Pesquisadores experimentaram câmeras, lasers e até drones para automatizar o processo, mas muitos desses sistemas são caros, difíceis de configurar ou complicados de implantar em espaços estreitos ou internos. Os autores deste estudo buscaram projetar uma alternativa prática que funcione com smartphones amplamente disponíveis e padrões impressos simples, mantendo os custos baixos ao mesmo tempo em que fornece medições precisas o suficiente para decisões do mundo real.

Ensinando um computador a ver fissuras

No cerne da nova estrutura está um sistema moderno de reconhecimento de imagens baseado em um modelo de aprendizado profundo chamado YOLO-V11. A equipe treinou esse modelo com milhares de fotografias de superfícies de concreto fissuradas para que ele pudesse distinguir fissuras verdadeiras de sombras, manchas e marcações. Para tornar o sistema robusto em ambientes reais e desordenados, eles deliberadamente adicionaram linhas coloridas artificiais às imagens de treinamento, forçando o modelo a aprender as sutis diferenças visuais entre uma linha pintada e uma ruptura real no concreto. Também aumentaram contraste e nitidez das imagens durante o treinamento. Essas etapas melhoraram significativamente a capacidade do modelo de localizar fissuras e traçar suas bordas, mesmo quando a iluminação é desigual ou a superfície é rugosa.

Transformando fotos em medidas reais

Detectar uma fissura é apenas metade do trabalho; engenheiros precisam da sua largura real em milímetros, não apenas em pixels na tela. Para preencher essa lacuna, os pesquisadores usaram quatro pequenos padrões quadriculados colados ao redor da área fotografada. Como o tamanho de cada quadrado do tabuleiro é conhecido, o software pode corrigir a inclinação da câmera e a distorção da lente, e então calcular quantos milímetros correspondem a cada pixel na imagem. A região da fissura é analisada em blocos sobrepostos para capturar detalhes muito finos; em seguida o software encontra um fino “esqueleto” ao longo do centro de cada fissura e mede a distância até as bordas ao longo dessa linha. A combinação dessas etapas produz um mapa das larguras das fissuras na área inspecionada.

Como funciona no mundo real

Para testar a abordagem, a equipe coletou 230 medições de fissuras tanto de espécimes de laboratório quanto de edifícios de concreto existentes, usando um microscópio digital de alta resolução como referência. Em seguida tiraram fotos com smartphones a cerca de um metro de distância, processaram-nas pelo framework e compararam as larguras previstas com as leituras manuais. Em média, o erro do sistema automatizado foi cerca de um oitavo da largura verdadeira, com diferenças típicas de apenas alguns centésimos de milímetro. O desempenho foi especialmente bom para fissuras mais largas que meio milímetro, nas quais a variação entre as larguras previstas e reais foi pequena. Para fissuras extremamente finas, a incerteza foi maior, o que sugere que fotos mais próximas ou câmeras de maior resolução melhorariam ainda mais a precisão.

O que isso significa para a segurança cotidiana

O estudo mostra que uma combinação bem projetada de fotografia por smartphone, padrões impressos simples e análise avançada de imagens pode fornecer medições confiáveis de fissuras sem equipamentos caros ou operadores altamente especializados. O sistema tende a superestimar ligeiramente as larguras das fissuras, um viés conservador e mais seguro ao avaliar a saúde estrutural. Com melhorias futuras — como o uso de sensores de profundidade embutidos em telefones mais recentes em vez de tabuleiros físicos — o método poderia tornar verificações rotineiras e de baixo custo da saúde de edifícios, pontes e outras estruturas muito mais acessíveis, ajudando proprietários a detectar problemas mais cedo e priorizar reparos onde realmente importam.

Citação: 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

Palavras-chave: fissuras no concreto, monitoramento da saúde estrutural, inspeção por aprendizado profundo, medição baseada em smartphone, segurança de infraestrutura