Applicazione di tecniche di Deep Learning per rilevamento non invasivo di crepe su edifici in muratura: un caso di studio reale

La crack detection è un campo di ricerca molto rilevante nell’ambito dell’ingegneria civile; consiste nell’identificare la presenza, la forma e la distribuzione di crepe su materiali come cemento o muratura. All’inizio, si praticava mediante ispezioni visive o sensori IoT, che tuttavia comportano costi elevati e difficoltà logistiche in contesti complessi (torri, ponti). La ricerca proposta affronta questo tema applicando tecniche di Deep Learning per la rilevazione su superfici in muratura, con lo scopo di trovare un approccio efficace e più economico. Nella fase sperimentale, articolati in due fasi, sono stati impiegati due dataset: il primo, costruito ex-novo raccogliendo e annotando manualmente pixel-wise immagini reali di strutture in muratura lesionate in alcune zone dell’Emilia-Romagna; il secondo invece è una parte del dataset di Dais et al. ([1]). Tutte le immagini sono state preprocessate e arricchite tramite data augmentation. Nella prima fase sono stati addestrati i modelli sul primo dataset, confrontando più funzioni di perdita fra le più usate per fare segmentazione binaria. I risultati, espressi sotto forma di metriche (come Mean Intersection over Union (MIoU) e F1-score (F1)), mostrano che le funzioni basate su Tversky performano meglio poichè capaci di gestire lo sbilanciamento fra classi. Infatti questa ha raggiunto 0.854 e 0.874 come MIoU e F1. Nella seconda fase è stato eseguito un addestramento cross-dataset con fine-tuning (FT). I risultati, non solo hanno mostrato un incremento di circa +0.07 in MIoU e +0.08 in F1 dopo il FT, ma hanno anche superato le performance dei modelli addestrati solo sul nostro dataset. Anche le meriche confermano la validità di queste techiche, con valori del modello proposto in questo studio (MurCrackNet) di MDice e F1 pari a 0.874. Infine, si propongono sviluppi futuri orientati all’ampliamento del dataset — includendo immagini web e di materiali diversi, come il cemento — per costruire modelli più robusti.