Lo screening automatico delle crepe su superfici in calcestruzzo è l’oggetto di uno studio pubblicato su Infrastructures (MDPI, vol. 11, articolo 352, DOI 10.3390/infrastructures11100352), a firma di Hernán Patricio Moyano-Ayala, Omar Sebastian Muñoz-Merino, Diego Fernando Mayorga-Pérez e Jorge Sebastián Buñay-Guamán. Il lavoro presenta un benchmark controllato di sei classificatori basati su transfer learning per la rilevazione binaria di crepe a livello di patch, ovvero su frammenti di immagine, e propone un ensemble a soft voting che combina due backbone convoluzionali complementari: ResNet-50 e MobileNetV2. Le prestazioni spaziano da un F1-score di 0,9995 sul benchmark bilanciato a 0,8083 sul dataset più realistico e sbilanciato, dove il recall sulle crepe di 0,7309 implica che circa una superficie fessurata su quattro non viene rilevata.
Il problema: ispezioni visive poco scalabili
La conservazione dell’integrità strutturale delle infrastrutture in calcestruzzo è determinante per la sicurezza pubblica, ma le ispezioni visive convenzionali restano soggettive, costose e difficili da scalare. Lo studio si inserisce in questo quadro con un obiettivo delimitato: misurare in condizioni controllate le prestazioni di classificatori per il crack detection su superfici in calcestruzzo.
Architettura: due backbone convoluzionali fusi in un ensemble
L’ensemble proposto unisce due reti convoluzionali con ruoli dichiarati distinti: ResNet-50 per l’estrazione di feature gerarchiche profonde e MobileNetV2 per un’inferenza leggera. Le due branch vengono combinate tramite soft voting attraverso un singolo peso scalare α, selezionato sulla partizione di validazione. I sei modelli baseline, addestrati con transfer learning, condividono split, seed e impostazioni di data augmentation identiche, così da rendere confrontabili i risultati.
Protocollo: due dataset pubblici, validazione intra-dataset
La sperimentazione si basa su due benchmark pubblici. Il primo è il set di Özgenel e Sorguç, 40.000 immagini di crepe in calcestruzzo con classi bilanciate, ospitato su Mendeley Data. Il secondo è SDNET2018, con 56.092 immagini che coprono tablieri di ponti, pareti e pavimentazioni e uno sbilanciamento di classe di circa 5,6:1.
Ogni modello è addestrato e testato all’interno dello stesso dataset: non è stato eseguito alcun esperimento di trasferimento tra dataset. I risultati costituiscono quindi una validazione multi-dataset, non una dimostrazione di generalizzazione cross-dominio: le prestazioni misurate su un dataset non descrivono il comportamento su domini non visti.
Risultati e loro lettura
Sul set bilanciato l’ensemble raggiunge un F1-score di 0,9995 con AUC pari a 1,0000; su SDNET2018 scende a 0,8083 con AUC di 0,9500. In entrambi i casi il valore è marginalmente superiore a quello del miglior modello individuale. Poiché è stato utilizzato un solo seed casuale, le differenze sono riportate senza test di significatività statistica: il margine rispetto ai singoli backbone va letto con prudenza.
Il dato critico: il recall sulle crepe
Su SDNET2018 il recall sulle crepe è 0,7309: circa una superficie fessurata su quattro non viene rilevata. Su questa base, la pipeline è posizionata come ausilio di screening con umano nel ciclo (human-in-the-loop), non come sistema di ispezione autonomo.
Prestazioni di inferenza e vincoli hardware
La latenza dichiarata è di 12,9 ms per immagine, con una dimensione complessiva del modello di 98,5 MB, misurata su una GPU di classe desktop. Nessuna piattaforma embedded è stata valutata: l’eventuale impiego su hardware da campo non è coperto dai test.
Grad-CAM: audit visivo qualitativo
Lo studio include mappe Grad-CAM, che evidenziano le aree dell’immagine che pesano sulla decisione delle reti. Le mappe sono presentate come audit visivo qualitativo dei singoli backbone, non come prova validata dell’affidabilità delle spiegazioni.
Rilevanza professionale e limiti
Per la pratica, il riferimento è il crack detection come ausilio di screening supervisionato; il dominio coperto dai test su SDNET2018 include tablieri di ponti, pareti e pavimentazioni. I limiti esplicitati dallo studio delimitano l’uso:
- validazione intra-dataset, senza trasferimento tra domini;
- un solo seed e assenza di test di significatività sui margini tra modelli;
- recall di 0,7309 su SDNET2018, con necessità di revisione umana sulle superfici esaminate;
- test limitati a GPU desktop, senza piattaforme embedded;
- spiegazioni Grad-CAM di natura qualitativa, non validate.
Nel perimetro dichiarato, il lavoro fornisce un confronto controllato tra architetture di transfer learning su due dataset pubblici e posiziona la pipeline come strumento di screening con supervisione umana, non come sistema di ispezione autonomo.
Lascia un commento