Loading...
Publication
Deep Learning-based Damage Identification for the Remote Inspection of Bridges
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 16.7 MB | Adobe PDF |
Abstract(s)
Bridges play a vital role in keeping people, goods, and economies connected. However, their
constant exposure to the aggressive environment, intensified by climate change, accelerates
deterioration and demands more frequent inspections. Traditional inspection methods are
expensive, time-consuming, subjective, and sometimes unsafe, showing the clear need for
smarter and safer alternatives.
This thesis explores a remote inspection approach for reinforced concrete bridges using
photogrammetry, laser scanning, deep learning, and projection techniques. A dedicated
application, based on the YOLO11-seg algorithm, was developed to automatically detect
common damage instances such as cracks, efflorescences, and exposed rebars. To go further, a
ray-casting method was implemented to project these detections onto the photogrammetryand
laser scanning–based 3D models, allowing precise mapping and measurement of structural
damage.
To assess the effectiveness of this approach, two case studies were conducted. The results
demonstrated the complementarity of photogrammetry and laser scanning, while also
highlighting the limitations of each method. Deep learning achieved promising results (mAP50
= 61%), not yet sufficient for full automation but very useful for semi-automated workflows that
save time while retaining human oversight. The ray-casting projection proved particularly
effective, ensuring consistent and reliable 3D mapping of the damage instances.
Together, these results show that combining data acquisition, 3D reconstruction, AI-driven
detection, and projection-based mapping can deliver a unique pipeline from raw data to
actionable insights. In the context of rising demands for resilient infrastructure, this work offers
a step toward safer, more efficient and intelligent bridge inspections.
As pontes desempenham um papel essencial na ligação entre pessoas, bens e economias. Contudo, a sua exposição contínua a ambientes agressivos, agravada pelas alterações climáticas, que acelera a degradação dos materiais e aumenta a necessidade de inspeções regulares. Os métodos tradicionais de inspeção são dispendiosos, demorados, subjetivos e, em alguns casos, inseguros, o que evidencia a necessidade de soluções mais eficientes, objetivas e seguras. Neste trabalho é explorada uma metodologia de inspeção remota aplicada a pontes de betão armado, baseada na integração de técnicas de Fotogrametria, Laser Scanning e algoritmos de Deep Learning. Foi desenvolvida uma aplicação com base no algoritmo YOLO11-seg, destinada à deteção automática de anomalias comuns, como fissuras, eflorescências e armaduras expostas. Complementarmente, foi implementada uma metodologia de Ray-Casting para projetar as segmentações sobre modelos 3D, permitindo o mapeamento espacial e a medição precisa dos danos estruturais. A aplicação da metodologia a dois casos de estudo demonstrou o caráter complementar da Fotogrametria e do Laser Scanning, bem como as suas limitações. O algoritmo de Deep Learning apresentou resultados promissores (mAP50 = 61%), ainda insuficientes para uma automação total, mas adequados para fluxos de trabalho semi-automatizados que reduzem significativamente o tempo de inspeção mantendo a supervisão humana. A técnica de Ray- Casting mostrou-se eficaz, assegurando um mapeamento 3D consistente das anomalias. No seu conjunto, os resultados comprovam a viabilidade de um processo integrado, desde a aquisição de dados até à extração de informação com valor prático. Esta contribuição assume particular relevância face às exigências impostas pelas alterações climáticas e pela crescente necessidade de infraestruturas resilientes, representando um passo em direção a inspeções de pontes mais seguras, eficientes e inteligentes.
As pontes desempenham um papel essencial na ligação entre pessoas, bens e economias. Contudo, a sua exposição contínua a ambientes agressivos, agravada pelas alterações climáticas, que acelera a degradação dos materiais e aumenta a necessidade de inspeções regulares. Os métodos tradicionais de inspeção são dispendiosos, demorados, subjetivos e, em alguns casos, inseguros, o que evidencia a necessidade de soluções mais eficientes, objetivas e seguras. Neste trabalho é explorada uma metodologia de inspeção remota aplicada a pontes de betão armado, baseada na integração de técnicas de Fotogrametria, Laser Scanning e algoritmos de Deep Learning. Foi desenvolvida uma aplicação com base no algoritmo YOLO11-seg, destinada à deteção automática de anomalias comuns, como fissuras, eflorescências e armaduras expostas. Complementarmente, foi implementada uma metodologia de Ray-Casting para projetar as segmentações sobre modelos 3D, permitindo o mapeamento espacial e a medição precisa dos danos estruturais. A aplicação da metodologia a dois casos de estudo demonstrou o caráter complementar da Fotogrametria e do Laser Scanning, bem como as suas limitações. O algoritmo de Deep Learning apresentou resultados promissores (mAP50 = 61%), ainda insuficientes para uma automação total, mas adequados para fluxos de trabalho semi-automatizados que reduzem significativamente o tempo de inspeção mantendo a supervisão humana. A técnica de Ray- Casting mostrou-se eficaz, assegurando um mapeamento 3D consistente das anomalias. No seu conjunto, os resultados comprovam a viabilidade de um processo integrado, desde a aquisição de dados até à extração de informação com valor prático. Esta contribuição assume particular relevância face às exigências impostas pelas alterações climáticas e pela crescente necessidade de infraestruturas resilientes, representando um passo em direção a inspeções de pontes mais seguras, eficientes e inteligentes.
Description
Keywords
Remote Inspection Deep Learning 3D models Bridges Inspeção Remota Modelos 3D Pontes