Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Український державний університет науки і технологій, ІВК «Системні технології», Дніпро
Abstract
ENG: In the context of the ongoing war in Ukraine, ensuring the safety and longevity of buildings and infrastructure is paramount. Traditional inspection methods for detecting structural damages—such as cracks, spalling, or corrosion—are labor-intensive, time-consuming, and prone to human error. This study addresses these challenges by leveraging deep learning techniques, particularly for flat roofs. Models including CNNs, U-Net, YOLO, and autoencoders enable efficient defect detection from both visual and thermal data, even in hazardous or hard-to-reach areas. UAVs facilitate rapid image collection, thereby reducing costs and risks associated with manual inspections. Our findings indicate that AI-driven methods can significantly improve inspection accuracy, accelerate maintenance, and ensure early detection of critical damage, crucial for infrastructure safety in conflict-affected zones. Ultimately, integrating deep learning into structural health monitoring offers a robust and automated approach to safeguarding buildings and optimizing maintenance efforts.
UKR: У контексті поточної війни в Україні забезпечення безпеки та довговічності будівель і інфраструктури є надзвичайно важливим. Традиційні методи інспектування для виявлення структурних пошкоджень—таких як тріщини, відшарування або корозія—вимагають значних людських ресурсів, багато часу та схильні до помилок. У цьому дослідженні розглядається можливість застосування технологій глибинного навчання, особливо для пласких покрівель. Моделі, зокрема CNN, U-Net, YOLO та автоенкодери, дають змогу ефективно виявляти дефекти на основі візуальних і теплових даних, навіть у складних чи важкодоступних умовах. Використання безпілотних літальних апаратів (БПЛА) полегшує швидкий збір зображень і знижує витрати та ризики, пов’язані з ручними перевірками. Результати свідчать, що методи, керовані штучним інтелектом, можуть суттєво підвищити точність перевірок, прискорити технічне обслуговування та забезпечити раннє виявлення критичних пошкоджень, що надзвичайно важливо для безпеки інфраструктури в умовах конфлікту. Інтеграція глибинного навчання в системи моніторингу технічного стану споруд пропонує надійний і автоматизований підхід для захисту будівель і оптимізації зусиль із їх обслуговування.
UKR: У контексті поточної війни в Україні забезпечення безпеки та довговічності будівель і інфраструктури є надзвичайно важливим. Традиційні методи інспектування для виявлення структурних пошкоджень—таких як тріщини, відшарування або корозія—вимагають значних людських ресурсів, багато часу та схильні до помилок. У цьому дослідженні розглядається можливість застосування технологій глибинного навчання, особливо для пласких покрівель. Моделі, зокрема CNN, U-Net, YOLO та автоенкодери, дають змогу ефективно виявляти дефекти на основі візуальних і теплових даних, навіть у складних чи важкодоступних умовах. Використання безпілотних літальних апаратів (БПЛА) полегшує швидкий збір зображень і знижує витрати та ризики, пов’язані з ручними перевірками. Результати свідчать, що методи, керовані штучним інтелектом, можуть суттєво підвищити точність перевірок, прискорити технічне обслуговування та забезпечити раннє виявлення критичних пошкоджень, що надзвичайно важливо для безпеки інфраструктури в умовах конфлікту. Інтеграція глибинного навчання в системи моніторингу технічного стану споруд пропонує надійний і автоматизований підхід для захисту будівель і оптимізації зусиль із їх обслуговування.
Description
Keywords
deep learning, structural monitoring, neural networks, YOLO, CNN, flat roofs, глибинне навчання, моніторинг стану будівель, нейронні мережі, плоскі дахи
Citation
Hryhorovych M. Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques. Information Тechnologies in Metallurgy and Machine Engineering – ITMM 2025 : Materials of the Scientific and Technical International Conf. (Dnipro, April 23–24, 2025). Dnipro, 2025. P. 211–214. DOI: 10.34185/1991-7848.itmm.2025.01.036.