Automatiserat lågkostnadsramverk för sprickmätningar i armerade betongkonstruktioner med djupinlärningsmetod

Varför små sprickor i stora konstruktioner spelar roll

Från motorvägsbroar till bostadshus utvecklar många av de betongkonstruktioner vi förlitar oss på dagligen långsamt hårfina sprickor. Dessa små öppningar kan släppa in vatten och salt som angriper stålet som finns dold inuti och förkortar konstruktionens säkra livslängd. Att inspektera och mäta dessa sprickor har traditionellt inneburit långsamt, manuellt arbete av specialister med förstoringsglas och mätverktyg. Denna artikel presenterar ett sätt att göra om en vanlig smartphone till ett lågkostnadsinspektionsverktyg som automatiskt kan upptäcka sprickor på betongytor och uppskatta hur breda de är, vilket hjälper ingenjörer att avgöra när reparationer verkligen är nödvändiga.

Från långsamma manuella kontroller till smarta bilder

Ingenjörer har länge vetat att sprickstorlek och läge är viktiga ledtrådar för hur mycket skada en betongkonstruktion har fått och hur mycket liv den har kvar. Men manuella sprickmätningar är tidskrävande, beroende av inspektörens skicklighet och kan vara inkonsekventa från ett besök till ett annat. Forskare har experimenterat med kameror, lasrar och till och med drönare för att automatisera processen, men många av dessa system är dyra, krångliga att ställa upp eller svåra att använda i trånga eller inomhusmiljöer. Författarna till denna studie ville utforma ett praktiskt alternativ som fungerar med allmänt tillgängliga smartphones och enkla tryckta mönster, vilket håller kostnaderna nere samtidigt som det levererar mätningar tillräckligt noggranna för verkliga beslut.

Att lära en dator att se sprickor

I kärnan av det nya ramverket finns ett modernt bildigenkänningssystem baserat på en djupinlärningsmodell kallad YOLO-V11. Teamet tränade denna modell med tusentals fotografier av sprucken betong så att den kunde skilja riktiga sprickor från skuggor, fläckar och markeringar. För att göra systemet robust i stökiga verkliga miljöer lade de avsiktligt till konstgjorda färgade linjer på träningsbilderna, vilket tvingade modellen att lära sig de subtila visuella skillnaderna mellan en målad linje och ett faktiskt brott i betongen. De förbättrade också bildkontrast och skärpa under träningen. Dessa åtgärder förbättrade modellens förmåga att hitta sprickor och följa deras kanter avsevärt, även när belysningen var ojämn eller ytan grov.

Att omvandla bilder till verkliga mätningar

Att upptäcka en spricka är bara halva jobbet; ingenjörer behöver dess verkliga bredd i millimeter, inte bara i pixlar på en skärm. För att överbrygga det gapet använde forskarna fyra små schackrutemönster tejpade runt det område som fotograferades. Eftersom storleken på varje ruta i schackrutemönstret är känd kan mjukvaran korrigera för kamerans lutning och linsförvrängning och sedan beräkna hur många millimeter som motsvarar varje pixel i bilden. Sprickområdet analyseras i överlappande kakelstycken så att mycket fina detaljer fångas, varefter mjukvaran finner en tunn ”skelettlinje” längs centrum av varje spricka och mäter avståndet till sprickans kanter längs denna linje. Genom att kombinera dessa steg skapas en karta över sprickbredder över det inspekterade området.

Hur bra det fungerar i verkligheten

För att testa sitt tillvägagångssätt samlade teamet 230 sprickmätningar från både laboratorieprover och befintliga betongbyggnader, med ett högupplöst digitalt mikroskop som referens. De tog sedan smartphonefoton på cirka en meters avstånd, körde dem genom sitt ramverk och jämförde de förutsagda sprickbredderna med de manuella avläsningarna. I genomsnitt var det automatiserade systemets fel omkring en åttondel av den verkliga bredden, med typiska skillnader på bara några hundradelar av en millimeter. Det presterade särskilt väl för sprickor bredare än en halv millimeter, där variationen mellan förutsagd och faktisk bredd var liten. För extremt tunna sprickor var osäkerheten högre, vilket tyder på att närmare foton eller kameror med högre upplösning skulle förbättra noggrannheten ytterligare.

Vad detta betyder för vardagssäkerheten

Studien visar att en noggrant utformad kombination av smartphonefotografering, enkla tryckta mönster och avancerad bildanalys kan ge tillförlitliga sprickmätningar utan dyr utrustning eller högt specialiserade operatörer. Systemet tenderar att något överskatta sprickbredder, vilket är en konservativ och säkrare bias vid bedömning av konstruktioners hälsa. Med framtida förbättringar—såsom att använda inbyggda djupsensorer i nyare telefoner istället för fysiska schackrutemönster—skulle metoden kunna göra rutinmässiga, lågkostnads hälsokontroller av betongbyggnader, broar och andra konstruktioner mycket mer tillgängliga, vilket hjälper ägare att upptäcka problem tidigare och prioritera reparationer där de gör mest nytta.

Citering: 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

Nyckelord: betongsprickor, övervakning av konstruktioners hälsa, djupinlärningsinspektion, mätning med smartphone, infrastrukturens säkerhet