Recent advances in crack detection technologies for structures: a survey of 2022-2023 literature
Notice bibliographique
Résumé
Introduction Cracks, as structural defects or fractures in materials like concrete, asphalt, and metal, pose significant challenges to the stability and safety of various structures. Addressing crack detection is of paramount importance due to its implications for public safety, infrastructure integrity, maintenance costs, asset longevity, preventive maintenance, economic impact, and environmental considerations. Methods In this survey paper, we present a comprehensive analysis of recent advancements and developments in crack detection technologies for structures, with a specific focus on articles published between 2022 and 2023. Our methodology involves an exhaustive search of the Scopus database using keywords related to crack detection and machine learning techniques. Among the 129 papers reviewed, 85 were closely aligned with our research focus. Results We explore datasets that underpin crack detection research, categorizing them as public datasets, papers with their own datasets, and those using a hybrid approach. The prevalence and usage patterns of public datasets are presented, highlighting datasets like Crack500, Crack Forest Dataset (CFD), and Deep Crack. Furthermore, papers employing proprietary datasets and those combining public and proprietary sources are examined. The survey comprehensively investigates the algorithms and methods utilized, encompassing CNN, YOLO, UNet, ResNet, and others, elucidating their contributions to crack detection. Evaluation metrics such as accuracy, precision, recall, F1-score, and IoU are discussed in the context of assessing model performance. The results of the 85 papers are summarized, demonstrating advancements in crack detection accuracy, efficiency, and applicability. Discussion Notably, we observe a trend towards using modern and novel algorithms, such as Vision Transformers (ViT), and a shift away from traditional methods. The conclusion encapsulates the current state of crack detection research, highlighting the integration of multiple algorithms, expert models, and innovative data collection techniques. As a future direction, the adoption of emerging algorithms like ViT is suggested. This survey paper serves as a valuable resource for researchers, practitioners, and engineers working in the field of crack detection, offering insights into the latest trends, methodologies, and challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,017 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».