Rilevamento automatico dei difetti tipici dei ponti in cemento armato tramite YOLOv5

I ponti svolgono un ruolo cruciale nelle reti stradali e garantirne la sicurezza e la preservazione è di massimale importanza sia per le società di gestione che per la comunità scientifica. Nel corso della loro vita, i ponti sono esposti a vari fattori che ne aumentano la vulnerabilità, tra cui l’invecchiamento, le dure condizioni ambientali e i rischi naturali, che possono potenzialmente portare a cedimenti strutturali. A seguito del crollo del Viadotto Polcevera in Italia, il Ministero dei Trasporti ha proposto una procedura completa di valutazione della sicurezza da attuare a livello nazionale, con l'obiettivo di sviluppare una metodologia per la valutazione dei casi critici e l'attuazione di misure di mitigazione del rischio. Questo processo prevede diverse fasi per assegnare una classe di rischio che consideri diverse fonti di pericolo. Tra queste fasi sono richiesti periodici rilievi in ​​sito per individuare difetti e segni di degrado. Tuttavia, emergono diverse sfide, come i tempi e i costi associati alle ispezioni, la soggettività coinvolta nell’identificazione visiva dei difetti e la necessità di personale qualificato. Per affrontare questi problemi, le tecniche tradizionali possono essere migliorate sfruttando le innovazioni digitali, che cercano di creare strumenti nuovi e affidabili che supportino le società di gestione stradale nella salvaguardia delle loro risorse infrastrutturali. A questo proposito, i rilevatori di oggetti basati sul deep learning offrono possibilità promettenti. Nello specifico, il riconoscimento automatico di difetti e danni sugli elementi del ponte esistenti può essere ottenuto utilizzando rilevatori a stadio singolo come YOLOv5. In questo intervento viene esplorata l'applicazione di questa tecnica creando un database di difetti tipici e coinvolgendo esperti del settore per etichettare questi difetti. Successivamente, YOLOv5 è stato addestrato, testato e convalidato, dimostrando l'efficacia e l'accuratezza favorevoli della metodologia proposta. Questa ricerca apre nuove opportunità ed evidenzia il potenziale dell’intelligenza artificiale nel rilevamento automatico dei difetti sui ponti.
English version:
Bridges play a crucial role in road networks, and ensuring their safety and preservation is of utmost importance for both management companies and the scientific community. Throughout their lifespan, bridges are exposed to various factors that increase their vulnerability, including aging, harsh environmental conditions, and natural hazards, all of which can potentially lead to structural failures. Following the collapse of the Polcevera Viaduct in Italy, the Ministry of Transportation proposed a comprehensive safety evaluation procedure to be implemented nationwide, aiming to develop a methodology for assessing critical cases and implementing risk mitigation measures. This process involves several stages to assign a risk class that considers different sources of hazards. Among these phases, periodic on-site surveys to identify defects and signs of degradation are required. However, several challenges arise, such as the time and cost associated with inspections, the subjectivity involved in visually identifying defects, and the need for qualified personnel. To address these issues, traditional techniques can be enhanced by leveraging digital innovations, which seek to create new and reliable tools that support road management companies in safeguarding their infrastructure assets. In this regard, deep learning-based object detectors offer promising possibilities. Specifically, automatic recognition of defects and damages on existing bridge elements can be achieved using single-stage detectors like YOLOv5. In this study, we explored the application of this technique by creating a database of typical defects and involving domain experts to label these defects. Subsequently, YOLOv5 was trained, tested, and validated, demonstrating favorable effectiveness and accuracy of the proposed methodology. This research opens new opportunities and highlights the potential of artificial intelligence in automatically detecting defects on bridges.
VISITA il SITO di INGENIO