Automated crack width measurement in 3D models: a photogrammetric approach with image selection

Structural cracks can critically undermine infrastructure integrity, driving the need for precise, scalable inspection methods beyond conventional visual or 2D image-based approaches. This study presents an automated system integrating photogrammetric 3D reconstruction with deep learning to quantify crack dimensions in spatial context. Multiple images are processed via Agisoft Metashape to generate high-fidelity 3D meshes. Then, a subset of images are automatically selected relying on camera orientation and distance, and a deep learning algorithm is applied to detect cracks in 2D images. Detected crack edges are projected onto the 3D mesh, enabling width measurements grounded in the structure’s true geometry rather than perspective-distorted 2D approximations. The methodology addresses key limitations of traditional methods: parallax, occlusion, and surface curvature errors and shows how these limitations can be mitigated by spatially anchoring measurements to the 3D model. Laboratory validation confirmed the system’s robustness, with controlled tests highlighting the importance of near-orthogonal camera angles and ground sample distance (GSD) thresholds to ensure crack detectability. By synthesizing photogrammetry and machine learning, the framework eliminates subjectivity in inspections, enhances safety by reducing manual intervention, and provides engineers with dimensionally accurate data for maintenance decisions.

Le cricche e le fessurazioni possono compromettere l’integrità delle infrastrutture, rendendo necessari metodi di ispezione precisi e scalabili che superino gli approcci convenzionali basati su ispezioni visive o immagini 2D. Questo studio presenta un sistema automatizzato che integra la ricostruzione fotogrammetrica 3D con tecniche di deep learning per quantificare le dimensioni delle fessurazioni in un contesto spaziale. Dapprima viene ricostruita la mesh della porzione di superficie con Agisoft Metashape. Poi, in base all’orientamento ed alla distanza della fotocamera dal target, vengono automaticamente selezionate solo le immagini che garantiscono elevata accuratezza della ricostruzione delle fessurazioni. In tali immagini, con un algoritmo di deep learning, vengono identificate le fessurazioni nelle immagini 2D e i bordi cricca vengono proiettati sulla mesh 3D, permettendo misure di larghezza ancorate alla geometria reale della struttura, anziché a approssimazioni 2D distorte dalla prospettiva. La metodologia proposta affronta i principali limiti dei metodi tradizionali: parallasse, occlusione ed errori legati alla curvatura superficiale e mostra come questi limiti vengano mitigati ancorando le misurazioni al modello 3D. Validazioni in laboratorio hanno confermato l’affidabilità del sistema, con test controllati che evidenziano l’importanza di angoli di ripresa quasi ortogonali e soglie di risoluzione spaziale (GSD)per garantire la rilevabilità delle fessurazioni. Combinando fotogrammetria e machine learning, il framework elimina la soggettività nelle ispezioni, migliora la sicurezza riducendo l’intervento manuale e fornisce agli ingegneri dati dimensionalmente accurati per decisioni manutentive.