論文の概要: Deep learning-based automated damage detection in concrete structures using images from earthquake events

• arxiv url: http://arxiv.org/abs/2510.21063v1
• Date: Fri, 24 Oct 2025 00:35:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.345423
• Title: Deep learning-based automated damage detection in concrete structures using images from earthquake events
• Title（参考訳）: 地震画像を用いたコンクリート構造物の深層学習による自動損傷検出
• Authors: Abdullah Turer, Yongsheng Bai, Halil Sezen, Alper Yilmaz,
• Abstract要約: 本研究では,大規模地震後のコンクリート構造物や橋梁の露出鋼補強を深層学習法により検出する構造損傷条件について検討する。 2023年の地震以降に収集された新しい画像データセットは、幅広い損傷を受けたコンクリート構造物を表すものとしてラベル付けされた。 提案手法はディープラーニングフレームワーク上に構築され,微調整,データ拡張,公開データセット上でのテストが可能である。
• 参考スコア（独自算出の注目度）: 4.024850952459758
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely assessment of integrity of structures after seismic events is crucial for public safety and emergency response. This study focuses on assessing the structural damage conditions using deep learning methods to detect exposed steel reinforcement in concrete buildings and bridges after large earthquakes. Steel bars are typically exposed after concrete spalling or large flexural or shear cracks. The amount and distribution of exposed steel reinforcement is an indication of structural damage and degradation. To automatically detect exposed steel bars, new datasets of images collected after the 2023 Turkey Earthquakes were labeled to represent a wide variety of damaged concrete structures. The proposed method builds upon a deep learning framework, enhanced with fine-tuning, data augmentation, and testing on public datasets. An automated classification framework is developed that can be used to identify inside/outside buildings and structural components. Then, a YOLOv11 (You Only Look Once) model is trained to detect cracking and spalling damage and exposed bars. Another YOLO model is finetuned to distinguish different categories of structural damage levels. All these trained models are used to create a hybrid framework to automatically and reliably determine the damage levels from input images. This research demonstrates that rapid and automated damage detection following disasters is achievable across diverse damage contexts by utilizing image data collection, annotation, and deep learning approaches.
• Abstract（参考訳）: 地震後の構造物の整合性のタイムリーな評価は、公共の安全と緊急対応に不可欠である。 本研究では,大規模地震後のコンクリート構造物や橋梁の露出鋼補強を深層学習法により検出する構造損傷条件について検討する。 鋼棒は通常、コンクリートのスポーリングや大きな曲げまたはせん断き裂の後に露出する。 露出鋼補強材の量と分布は構造的損傷と劣化の兆候である。 2023年トルコ地震後に収集された新しい画像データセットは、暴露された鋼鉄の棒を自動的に検出するため、幅広い損傷を受けたコンクリート構造物を表すためにラベル付けされた。 提案手法はディープラーニングフレームワーク上に構築され,微調整,データ拡張,公開データセット上でのテストが可能である。 内部/外部の建物や構造部品を識別するために使用できる自動分類フレームワークが開発されている。 そして、YOLOv11(You Only Look Once)モデルが訓練され、ひび割れや損傷、露出バーを検出する。 別のYOLOモデルは、異なる構造的損傷レベルを区別するために微調整される。 これらの訓練されたモデルはすべて、入力画像から損傷レベルを自動的にかつ確実に決定するハイブリッドフレームワークを作成するために使用される。 本研究は, 画像データ収集, アノテーション, 深層学習の手法を用いて, 災害後の早期かつ自動的な損傷検出が可能であることを実証した。

関連論文リスト

• A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
  災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。 超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。 SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。 その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2025-06-27T15:49:58Z)
• Multiclass Post-Earthquake Building Assessment Integrating High-Resolution Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
  本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。 2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T23:19:51Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
  我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。 理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。 これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
  論文  参考訳（メタデータ） (2023-02-02T21:41:59Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• Detecting Damage Building Using Real-time Crowdsourced Images and Transfer Learning [53.26496452886417]
  本稿では,Twitterなどのソーシャルメディアプラットフォームから地震後の建物画像を自動的に抽出する手法を提案する。 トランスファーラーニングと6500枚の手動ラベル付き画像を用いて,現場に損傷のある建物を画像として認識する深層学習モデルを訓練した。 訓練されたモデルは、異なる場所で新たに取得した地震の画像でテストし、トルコのM7.0地震の後、Twitterのフィードでほぼリアルタイムで実行された。
  論文  参考訳（メタデータ） (2021-10-12T06:31:54Z)
• Crack detection using tap-testing and machine learning techniques to prevent potential rockfall incidents [68.8204255655161]
  本稿では,岩盤の自動探傷システムを提案する。 ロボットは、岩面を何度も打ったり、タップしたりするのに使用される。 音はロボットによって収集され、壊れやすい岩を識別する意図で分類される。
  論文  参考訳（メタデータ） (2021-10-10T22:53:36Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。