Derin öğrenme yaklaşımıyla RC yapılardaki çatlak ölçümleri için otomatik düşük maliyetli çerçeve

Büyük yapılardaki ince çatlaklar neden önemli

Otoyol köprülerinden apartman kulelerine kadar, her gün güvendiğimiz birçok beton yapı zamanla ince saç telinden küçük çatlaklar geliştirir. Bu küçük açıklıklar, içteki çeliği yiyip bitiren su ve tuzu içeri alarak bir yapının güvenli kullanım ömrünü kısaltabilir. Bu çatlakları denetlemek ve ölçmek geleneksel olarak büyüteç ve ölçü aletleriyle uzmanların yavaş, yerinde yaptığı iş anlamına geliyordu. Bu makale, sıradan bir akıllı telefonu beton yüzeylerdeki çatlakları otomatik olarak tespit edebilen ve genişliklerini tahmin edebilen düşük maliyetli bir denetim aracına dönüştürmenin bir yolunu tanıtıyor; bu sayede mühendisler onarımların gerçekten ne zaman gerektiğine daha iyi karar verebilecek.

Yavaş elle kontrollerden akıllı görüntülere

Mühendisler uzun zamandır çatlak boyutu ve konumunun bir beton yapının ne kadar hasar gördüğüne ve ne kadar ömrü kaldığına dair önemli ipuçları verdiğini biliyorlar. Ancak elle yapılan çatlak ölçümleri zaman alıcıdır, denetçinin becerisine bağlıdır ve bir ziyaretten diğerine tutarsız olabilir. Araştırmacılar süreci otomatikleştirmek için kameralar, lazerler ve hatta insansız hava araçlarıyla denemeler yaptı; ancak bu sistemlerin birçoğu pahalı, kurulumu zor veya dar ya da kapalı alanlarda uygulanması güç oldu. Bu çalışmanın yazarları, yaygın olarak bulunan akıllı telefonlarla ve basit basılı desenlerle çalışacak, maliyeti düşük tutarken gerçek dünya kararları için yeterince doğru ölçümler sağlayan pratik bir alternatif tasarlamayı hedeflediler.

Bilgisayara çatlak görmeyi öğretmek

Yeni çerçevenin merkezinde YOLO-V11 adlı derin öğrenme modeline dayanan modern bir görüntü tanıma sistemi bulunuyor. Ekip, modeli gerçek çatlakları gölge, leke ve işaretlerden ayırt edebilmesi için binlerce çatlaklı beton yüzey fotoğrafıyla eğitti. Sistemi karmaşık gerçek ortam koşullarında dayanıklı hale getirmek amacıyla eğitim görüntülerine kasıtlı olarak yapay renkli çizgiler ekleyerek modelin boyanmış bir çizgi ile beton üzerindeki gerçek bir kırılma arasındaki ince görsel farkları öğrenmesini sağladılar. Ayrıca eğitim sırasında görüntü kontrastını ve keskinliğini artırdılar. Bu adımlar, aydınlatma düzensiz olsa veya yüzey pürüzlü olsa bile modelin çatlakları bulma ve kenarlarını izleme kabiliyetini önemli ölçüde geliştirdi.

Fotoğrafları gerçek ölçümlere dönüştürmek

Bir çatlağı tespit etmek işin sadece yarısıdır; mühendislerin ihtiyacı olan ekran üzerindeki piksel değil, gerçek milimetre cinsinden genişliktir. Bu boşluğu doldurmak için araştırmacılar, fotoğrafın çekildiği alanın etrafına bantlanmış dört küçük dama tahtası deseni kullandılar. Dama tahtasındaki her karenin boyutu bilindiği için yazılım kamera eğimini ve lens distorsiyonunu düzeltebilir, ardından görüntüdeki her piksele kaç milimetrenin karşılık geldiğini hesaplayabilir. Çatlak bölgesi çok ince detayların yakalanması için örtüşen karolara ayrılarak analiz edilir, sonra yazılım her çatlağın merkezinde ince bir “iskelet” bularak bu çizgi boyunca çatlağın kenarlarına olan mesafeyi ölçer. Bu adımlar birleştirildiğinde incelenen alandaki çatlak genişliklerinin bir haritası üretilir.

Gerçek dünyada ne kadar iyi çalışıyor

Yaklaşımı test etmek için ekip, hem laboratuvar numunelerinden hem de mevcut beton binalardan 230 çatlak ölçümü topladı ve referans olarak yüksek çözünürlüklü dijital bir mikroskop kullandı. Ardından yaklaşık bir metre mesafeden akıllı telefon fotoğrafları çekip bunları çerçeveden geçirdiler ve tahmin edilen çatlak genişliklerini elle alınan okumalarla karşılaştırdılar. Ortalama olarak otomatik sistemin hatası gerçek genişliğin yaklaşık sekizde biri kadardı ve tipik farklar yalnızca birkaç yüzdelik milimetre seviyesindeydi. Özellikle yarım milimetreden geniş çatlaklarda performans iyiydi; tahmin edilen ve gerçek genişlikler arasındaki değişkenlik küçük kaldı. Çok ince çatlaklarda belirsizlik daha yüksekti; bu da daha yakın fotoğrafların veya daha yüksek çözünürlüklü kameraların doğruluğu daha da artıracağını gösteriyor.

Günlük güvenlik için anlamı

Çalışma, dikkatle tasarlanmış bir akıllı telefon fotoğrafçılığı, basit basılı desenler ve gelişmiş görüntü analizinin pahalı ekipman veya son derece uzman operatörler gerektirmeden güvenilir çatlak ölçümleri sağlayabileceğini gösteriyor. Sistem çatlak genişliklerini biraz fazla tahmin etme eğiliminde; bu, yapısal sağlığı değerlendirirken temkinli ve daha güvenli bir önyargıdır. Gelecekteki geliştirmeler—örneğin fiziksel dama tahtaları yerine daha yeni telefonlarda bulunan yerleşik derinlik sensörlerinin kullanılması—ile yöntem, beton binaların, köprülerin ve diğer yapıların rutin, düşük maliyetli sağlık kontrollerini çok daha erişilebilir hale getirerek sahiplerin sorunları daha erken fark etmesine ve onarımları en çok önem taşıyan yerlere öncelik vermesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: beton çatlakları, yapısal sağlık izleme, derin öğrenme denetimi, akıllı telefon tabanlı ölçüm, altyapı güvenliği