Härtill 3 uppsatser

Lic.-avh. (sammanfattning) Stockholm : Kungliga Tekniska högskolan, 2024

The assessment of civil infrastructure play an important role in ensuring the safety of the general public and the durability of structures. Traditional inspection methods often involve manual labour and subjective evaluations, resulting in limitations in efficiency and accuracy. In recent years, there has been an increasing interest on using advanced technologies, such as unmanned aerial vehicles (UAVs), image analysis and machine learning techniques, to establish them as alternatives for the inspection process. These techniques provide different advantages compared with the manual method in terms of time, objectivity and safety. The results of these techniques can allow the engineers in charge of the assessment and maintenance planning to obtain detailed results that can improve their efficiency but they are not without challenges. This research project aims to evaluate different methods used for damage detection and quantification and their integration with UAVs as an alternative to structural inspections. The proposed methodology combines image analysis techniques, Convolutional Neural Networks (CNNs) with drones to address the different aspects of inspections, from the data gathering to the damage detection and quantification. This methodology focuses on detecting and quantifying small cracks as narrow as 0.1 mm on concrete structures, aiming to achieve results comparable to those of traditional inspection. Furthermore, an application demonstrating the feasibility of the methodology in inside environments is also presented, focusing on the inspection of the internal section of a box girder bridge, including the creation of 3D photogrammetrical models to improve the inspection process.

Bedömningen av civil infrastruktur spelar en viktig roll för att säkerställa allmänhetens säkerhet och strukturernas hållbarhet. Traditionella inspektionsmetoder innebär ofta manuellt arbete och subjektiva bedömningar, vilket leder till begränsningar i effektivitet och noggrannhet. Under senare år har intresset ökat för att använda avancerad teknik, såsom obemannade flygfarkoster (UAV), bildanalys och maskininlärningstekniker, för att etablera dem som alternativ för inspektionsprocessen. Dessa tekniker ger olika fördelar jämfört med den manuella metoden när det gäller tid, objektivitet och säkerhet. Resultaten från dessa tekniker kan ge ingenjörer som ansvarar för bedömning och underhållsplanering detaljerade resultat som kan förbättra deras effektivitet, men de är inte utan utmaningar. Detta forskningsprojekt syftar till att utvärdera olika metoder som används för att upptäcka och kvantifiera skador och deras integration med UAV som ett alternativ till manuella inspektioner. Den föreslagna metoden kombinerar bildanalystekniker, Convolutional Neural Networks (CNN) med drönare för att hantera de olika aspekterna av inspektioner, från datainsamling till skadedetektering och kvantifiering. Metoden fokuserar på att upptäcka och kvantifiera småsprickor som är så små som 0.1 mm på betongkonstruktioner och syftar till att uppnå resultat som är jämförbara med dem vid traditionell inspektion. Dessutom presenteras en tillämpning som visar att metoden är genomförbar i inomhusmiljöer, med fokus på inspektion av den inre sektionen av en lådbalkbro, inklusive skapandet av 3D-fotogrammetriska modeller för att förbättra inspektionsprocessen.