Image-based Detection of Surface Defects in Concrete during Construction

要約

欠陥があると、検査や書類作成に多大な労力を要するため、建設プロジェクトのコストと期間が増加します。欠陥検出を自動化することで、これらの労力を大幅に削減することができる。本研究では、コンクリート構造物の実質的な欠陥であり、構造的な完全性に影響を及ぼす可能性のあるハニカムの検出に焦点を当てる。我々は、ウェブからかき集めたハニカム画像と、実際の建設検査から得た画像を比較した。その結果、ウェブ画像は実際の現場で見られるような完全なばらつきを捉えていないこと、またこの分野のデータはまだ不足していることがわかりました。そのため、我々のデータセットはさらなる研究のために自由に利用することができる。ハニカム検出のために、Mask R-CNNとEfficientNet-B0を学習させた。Mask R-CNNはインスタンスのセグメンテーションに基づいてハニカムを検出することができ、EfficientNet-B0はパッチベースの分類が可能なモデルである。我々の実験は、両方のアプローチがハニカム検出の解決と自動化に適していることを実証している。将来的には、このソリューションは、欠陥記録システムに組み込むことができる。

要約(オリジナル)

Defects increase the cost and duration of construction projects as they require significant inspection and documentation efforts. Automating defect detection could significantly reduce these efforts. This work focuses on detecting honeycombs, a substantial defect in concrete structures that may affect structural integrity. We compared honeycomb images scraped from the web with images obtained from real construction inspections. We found that web images do not capture the complete variance found in real-case scenarios and that there is still a lack of data in this domain. Our dataset is therefore freely available for further research. A Mask R-CNN and EfficientNet-B0 were trained for honeycomb detection. The Mask R-CNN model allows detecting honeycombs based on instance segmentation, whereas the EfficientNet-B0 model allows a patch-based classification. Our experiments demonstrate that both approaches are suitable for solving and automating honeycomb detection. In the future, this solution can be incorporated into defect documentation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL