En lättviktig YOLO11n-seg‑ram för realtidsdetektion av ytsprickor med segmentering

Varför små sprickor spelar roll

Dolda sprickor i vägar, broar och byggnader kan se ofarliga ut, men de är ofta de första varningstecknen på att en konstruktion slits ut. Att upptäcka dessa linjer tidigt kan förhindra kostsamma reparationer eller till och med katastrofala haverier. Ändå utförs de flesta inspektioner fortfarande av människor som går eller kör långsamt längs ytorna och för anteckningar i handen. Denna studie undersöker hur ett kompakt artificiellt intelligenssystem kan upptäcka och avgränsa sprickor i realtid, tillräckligt snabbt för att köras på drönare, små robotar och lågströmsensorer i stället för endast i kraftfulla datacenter.

Från manuella kontroller till maskinseende

Ingenjörer har länge försökt automatisera sprickdetektion med traditionella bildbehandlingsknep som kantdetektion och trösklingar. Dessa metoder fungerar i rena labbmiljöer men fallerar snabbt i verkligheten, där skuggor, fläckar och grov textur förvirrar enkla algoritmer. På senare tid har djuplärande förändrat spelplanen: neurala nätverk kan lära sig hur sprickor ser ut direkt från bilder. Tidiga versioner kunde avgöra om en liten bildruta innehöll en spricka, men hade svårt att ange exakt var sprickan var och var ofta för långsamma för liveinspektioner.

Hur en slank modell lär sig att se sprickor

Författarna bygger vidare på YOLO‑familjen av modeller, en populär uppsättning verktyg inom datorseende kända för att upptäcka objekt i ett enda, snabbt genomlopp i nätverket. De fokuserar på en mycket liten version kallad YOLO11n‑seg, anpassad för att spåra sprickornas exakta form, inte bara rita grova ramar runt dem. Modellen tränas på Crack‑Seg‑datasetet, som innehåller över 11 000 noggrant märkta väg­bilder där varje sprickpixel är markerad. Bilderna storleksanpassas till ett standardformat och matas in i nätverket, som gradvis lär sig att särskilja de tunna, slingrande mönstren av verkliga skador från ofarliga bakgrundsdetaljer som textur eller smuts.

Smarta knep för små detaljer

För att upptäcka hårfina sprickor i grov betong använder modellen två designknep. För det första växlar en specialbyggsten kallad C3k2 automatiskt mellan små och något större synfönster, vilket gör det möjligt att följa både mycket fina och längre sprickor. För det andra lär en spatial uppmärksamhetsmodul kallad C2PSA modellen att fokusera på sannolika sprickområden samtidigt som den ignorerar distraktioner som oljefläckar, skuggor eller mönstrade ytor. Tillsammans hjälper dessa tillägg systemet att avgränsa sprickor renare och minska risken att förväxla bakgrundsfläckar med strukturella skador, samtidigt som modellen förblir tillräckligt liten för att köras på modest hårdvara.

Snabba resultat utan tung hårdvara

I tester innehåller det lättviktiga nätverket endast cirka 2,8 miljoner parametrar—litet jämfört med många moderna djuplärande system—men det presterar på en nivå liknande större, långsammare konstruktioner. På Crack‑Seg‑benchmarken identifierar det korrekt sprickområden med en precision på ungefär 79 % och uppnår starka poäng för hur väl dess förutsagda sprickformer matchar mark­sanningen. Avgörande är att det bearbetar varje bild på ungefär 3,6 millisekunder på ett standard‑GPU, vilket motsvarar hundratals bildrutor per sekund. Jämfört med välanvända modeller som U‑Net, Mask R‑CNN och en tidigare YOLO‑variant levererar det konkurrenskraftig eller bättre segmenteringsnoggrannhet samtidigt som det är dramatiskt snabbare, vilket gör det praktiskt för kontinuerliga videoströmmar från drönare eller inspektionsfordon.

Mot automatiska strukturkontroller

För icke‑experter är huvudpoängen att detta arbete visar att det nu är möjligt att bygga små, effektiva AI‑verktyg som inte bara hittar sprickor utan också snabbt spårar deras exakta form och storlek för realtidsövervakning. Även om extremt svaga sprickor i dålig belysning eller dåligt väder fortfarande är utmanande, erbjuder det föreslagna YOLO11n‑seg‑systemet en lovande balans mellan hastighet och pålitlighet. Med vidare förbättringar och integration i fältutrustning skulle sådana modeller kunna hjälpa städer och myndigheter att upptäcka skador tidigare, prioritera reparationer och hålla viktig infrastruktur säkrare med mindre manuellt arbete.

Citering: Tiwari, S., Gola, K.K., Kanauzia, R. et al. A lightweight YOLO11n seg framework for real time surface crack detection with segmentation. Sci Rep 16, 6566 (2026). https://doi.org/10.1038/s41598-026-37073-1

Nyckelord: infrastruktursprickor, datorseende, djuplärande, realtidsinspektion, YOLO‑segmentering