Ein integriertes Rahmenwerk für Bildakquisitions-, Verarbeitungs- und Analyseverfahren zur automatisierten Schadensbewertung von Betonkonstruktionen

Risse in Betonoberflächen dienen als frühe Indikatoren für potenzielle strukturelle Gefahren. Die visuelle Inspektion, eine häufig verwendete und vielseitige Technik zur Beurteilung des Betonstatus, wird eingesetzt, um die Betonalterung zu bewerten, indem Anzeichen von Schäden auf der Oberflächenebene beobachtet werden. Diese Methode ist jedoch tendenziell qualitativ und muss umfassender gestaltet werden, um genaue Informationen über das Ausmaß der Schäden und deren Entwicklung zu liefern, trotz ihrer zeitaufwändigen und umweltsensiblen Natur. Daher hat sich die Integration von Bildanalyse-Techniken mit künstlicher Intelligenz (KI) zunehmend als effizient erwiesen, um Schadenszeichen auf Betonoberflächen zu erfassen. Um jedoch die Leistung der automatisierten Rissdetektion zu verbessern, ist es unerlässlich, ein Machine-Learning-Modell intensiv zu trainieren, und es bleiben Fragen zur erforderlichen Bildqualität und der Methodik zur Bildsammlung bestehen, um die Genauigkeit und Zuverlässigkeit des Modells bei der quantitativen Schadensanalyse sicherzustellen. Diese Studie hat das Ziel, ein Verfahren zur Bildakquisition und -verarbeitung durch die Anwendung eines bildbasierten Messansatzes zu etablieren, um die Möglichkeiten der Diagnostik von Betonschäden zu erforschen. Die Digitalisierung von Rissintensitätsmessungen wurde als machbar erachtet; jedoch sind größere Datensätze erforderlich. Aufgrund des anisotropen Verhaltens des Schadens wurde die Fähigkeit des Modells entwickelt, die Rissrichtung zu erfassen, wobei keine statistisch signifikanten Unterschiede zwischen den beobachteten und vorhergesagten Werten festgestellt wurden, die in dieser Studie verwendet wurden, mit Korrelationskoeffizienten von 0,79 und 0,82.