Crack detection in churches using deep learning

Bozzano, Matteo

doi:10.1007/s12518-026-00743-w

Crack detection in churches using deep learning

2026-05-01

0

PRE

AI

B

Bozzano, Matteo *

E

Eid, Mohamedelmustafa Omer

DOI：10.1007/s12518-026-00743-w

原文链接

原文求助

摘要

En 中文

地震后教堂损伤评估是一项关键任务，由于建筑复杂性和现场检查相关的安全风险，这使得调查者暴露在可能危险的结构受损区域。在可见指标中，裂缝是评估结构损伤的最相关特征之一。作为更广泛项目RAISE（NRRP-ECS00000035）的一部分，本研究提出了一种基于图像的深度学习方法，用于教堂建筑中的自动裂缝检测，旨在支持传统调查程序并减少检查时间和操作员风险。基于迁移学习的卷积神经网络被开发并采用Xception架构进行评估。模型首先在一个已有的混凝土裂缝图像大型基准数据集上进行训练。图像块被提取并在二分类框架（裂缝 vs. 非裂缝）中进行分类，模型性能通过标准指标（如精确率、召回率和F1分数）进行评估。虽然初始在混凝土图像上的训练获得了满意结果（98%准确率），但在应用于教堂图像时性能显著下降，凸显了强烈的领域漂移。使用教堂特定数据（即从利古里亚地区教堂收集的自定义数据集，包括壁画、灰泥和装饰元素表面）进行重新训练后，性能得到显著提升。在拱顶的壁画表面上，其精确率达到93.87%，召回率为88.45%，F1分数为91.08%，这是损伤调查阶段的关键要素。附加测试研究了光照条件、图像分辨率和拍摄距离的影响，为采集协议设计提供了实践指导。结果表明，深度学习技术在支持遗产环境中的裂缝检测方面具有潜力，同时也指出了当前与数据变异性及块级分类相关的局限性。未来发展方向将集中于数据集扩展、像素级分割方法以及与标准化损伤评估框架的集成。

Keyword:

Image

Immovable artistic assets

Damage

Binary classification

Convolutional neural network

Crack detection in churches using deep learning

摘要

期刊

机构

引用论文