20.500.12556/RUL-190978 Uporaba metod umetne inteligence za identifikacijo razpok na premostitvenih objektih magistrsko delo Usability of methods of artificial intelligence for crack identification on bridges Klasični načini pregledovanja premostitvenih objektov so uveljavljeni, a zahtevni tako za izvedbo na terenu kot za obdelavo in ovrednotenje pridobljenih podatkov. Z razvojem umetne inteligence se povečuje zanimanje za avtomatizacijo tega procesa. V magistrski nalogi na primeru levega krajnega opornika obstoječega armiranobetonskega avtocestnega podvoza (62 segmentov velikosti 1x1 m) preizkusimo uporabnost dveh prosto dostopnih, vnaprej naučenih modelov za avtomatsko zaznavanje razpok in sicer klasifikacijskega modela dacl1k (metoda 1) in segmentacijskega modela dacl10k, uporabljenega v treh iterativnih različicah (metoda 2a, 2b in 2c). Njune rezultate primerjamo z rezultati klasičnega pregleda. Metoda 1 se je pri zaznavanju prisotnosti razpoke izkazala za slabo diskriminativno (AUC = 0,521), pri čemer je pri običajnem pragu spregledala približno 76 % ročno potrjenih razpok. Pri Metodi 2 se je pristranskost napovedane dolžine razpoke skozi tri iteracije zmanjšala (od -54,7 cm pri osnovni različici do 2,2 cm pri končni različici, ki namesto izboljšanja ločljivosti obravnava motenj zaradi grafitov kot barvni problem), vendar parni statistični preizkusi (Wilcoxonov test) niso potrdili značilnih razlik med različicami, medtem ko so bile razlike v času sklepanja med vsemi različicami statistično značilne. Glavna vzroka za omejeno zanesljivost avtomatskih metod sta prisotnost grafitov z visokim kontrastom in razpoke, obdelane za potrebe sanacije objekta - primeri, ki jih uporabljeni modeli med učenjem niso zasledili. Rezultati kažejo, da preizkušene metode trenutno še ne dosegajo zanesljivosti klasičnega pregleda, so pa lahko uporabne kot orodje za predhodno triažo, ki pregledovalcu usmeri pozornost na najverjetneje poškodovane segmente. Classical methods for inspecting bridge structures are well established but demanding, both in terms of fieldwork and the processing and evaluation of collected data. The development of artificial intelligence has increased interest in automating this process. In this thesis, using the left abutment of an existing reinforced-concrete highway underpass as a case study (62 segments of 1×1 m), we test the applicability of two open source, pretrained automatic crack-detection models, a classification model, dacl1k (method 1), and a segmentation model, dacl10k, applied in three iterative variants (method 2a, 2b and 2c), and compare their results against a classical, manual inspection. Method 1 showed weak discriminative ability for crack presence (AUC = 0.521), missing approximately 76% of manually confirmed cracks at the conventional decision threshold. For method 2, the bias of the predicted crack length decreased across the three iterations (from -54.7 cm for the baseline variant to 2.2 cm for the final variant, which addresses graffiti-related interference as a colour problem rather than a resolution problem), but paired statistical tests (the Wilcoxon signed-rank test) did not confirm significant differences between the variants, whereas differences in inference time between all variants were statistically significant. The two main causes of the automatic methods' limited reliability were identified as high-contrast graffiti and cracks that had been prepared for repair injection - cases not represented in the models' training data. The results show that the tested methods do not yet match the reliability of classical inspection, but may be useful as a triage tool, directing an inspector's attention toward the segments most likely to be damaged. magistrska dela gradbeništvo razpoke premostitveni objekti umetna inteligenca strojno učenje avtomatsko zaznavanje poškodb dacl1k dacl10k statistična primerjava metod master thesis civil engineering cracks bridge structures artificial intelligence machine learning automatic damage detection statistical method comparison true false false [A. Hasanspahić] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2026-11-09 15:57:04 2026-11-09 15:57:13 2026-11-10 09:57:22 0000-00-00 00:00:00 2026 0 Ljubljana 2026 Ljubljana 1 spletni vir (6 datotek PDF (X, 55 str. + [30] str. pril.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.896:624.21/.8(043.2) 187952 304578563 24363.pdf 24363.pdf 1 615FFEBBC338A3E0D6E73341C78A49FE 914a61b49bd9807ae1947fb2620f8085ce1d272f6d105db77e45c934ed74b3b5 c2b2d39e-dc4d-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252812 24364.pdf 24364.pdf 1 93A61E71F407C02CAC76DB918185C7C1 abd0cd52ea6fb37cf87ed42ef7ccf327331ef7874622a64d143aae4e6cc5765e c2b3a053-dc4d-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252813 24365.pdf 24365.pdf 1 5CB841E9078868949F74F358CDF278E9 cdd62ea5c155f52c9d657e05af1a1d09b0d626104e77c833972f2399a0acffee c2b54fcf-dc4d-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252814 24366.pdf 24366.pdf 1 6ADF0D32D635F97D2BE64153CA5641C7 327752b8d9f0dd2d5736e2df55c5c302c698d94baf2af330f55b1ca78b786bb8 c2b6c223-dc4d-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252815 24367.pdf 24367.pdf 1 50F88E2AB0DFAE43991675108457AA96 09cead11c8cf8cf6eee9a7174cb8ece032580b064cffff32be45b21a4be105e0 c2b7a4fd-dc4d-11f1-aea2-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=252816 Fakulteta za gradbeništvo in geodezijo 0 0 0