Ispezione automatizzata di ponti tramite droni e Deep Learning: approccio integrato e analisi comparativa dei modelli

The monitoring of civil infrastructure, particularly bridges, represents one of the major challenges in modern engineering, as it requires increasingly reliable, rapid, and objective tools for assessing the condition and state of preservation of structures. Within this context, this thesis proposes an innovative methodology that integrates Unmanned Aerial Vehicle (UAV) surveys, photogrammetric techniques, and Deep Learning algorithms for the identification, localization, and quantitative characterization of surface defects. The main contribution of this work lies in the development of an automated workflow that not only detects structural defects but also enables their three-dimensional localization, the estimation of their actual dimensions, and the subsequent automatic assignment of deterioration indices according to the Guidelines issued by the Italian Ministry of Infrastructure and Transport. The DL model was specifically optimized for the inspection of reinforced concrete bridges through dedicated training on high-resolution UAV imagery acquired under realistic operating conditions, including variations in illumination, shadows, irregular textures, and other disturbances typically encountered during field inspections. Furthermore, the adoption of instance segmentation instead of conventional bounding boxes provided a more accurate representation of defect geometry, enabling a more reliable quantitative assessment of deteriorated areas. The results demonstrate that the proposed model is capable of accurately detecting the main categories of structural defects, even in complex inspection scenarios. The integration with three-dimensional reconstruction made it possible to convert image-based detections into metric parameters suitable for the quantitative assessment of structural damage. Comparison with traditional inspection methods showed good agreement in both defect identification and deterioration index assignment, confirming the potential of the proposed methodology as a decision-support tool for bridge monitoring and asset management. Overall, the proposed approach contributes to making structural inspections more objective, repeatable, and efficient.

Il monitoraggio delle infrastrutture civili, e in particolare dei ponti, rappresenta una delle principali sfide dell’ingegneria contemporanea, poiché richiede strumenti sempre più affidabili, rapidi e oggettivi per la valutazione dello stato di conservazione delle opere. In tale contesto, la presente tesi propone una metodologia innovativa che integra rilievi mediante droni (UAV), tecniche di fotogrammetria e algoritmi di Deep Learning per l’identificazione, la localizzazione e la caratterizzazione quantitativa dei difetti superficiali. L’elemento di novità del lavoro consiste nello sviluppo di un workflow automatizzato che, oltre al rilevamento dei degradi, ne consente la localizzazione tridimensionale, la stima metrica dell’estensione reale e la successiva assegnazione automatica degli indici di difettosità previsti dalle Linee Guida del Ministero delle Infrastrutture e dei Trasporti. Il modello di Deep Learning è stato ottimizzato mediante un addestramento specifico per il contesto ispettivo dei ponti in calcestruzzo, utilizzando immagini ad alta risoluzione acquisite da UAV e considerando condizioni operative reali, quali variazioni di illuminazione, ombre, texture irregolari e disturbi presenti durante le ispezioni. Inoltre, l’impiego della segmentazione delle istanze, in sostituzione delle tradizionali bounding box, ha consentito una descrizione più accurata della geometria dei difetti e una successiva analisi quantitativa delle aree degradate. I risultati ottenuti dimostrano che il modello è in grado di riconoscere con buona accuratezza le principali tipologie di degrado anche in scenari complessi. L’integrazione con la ricostruzione tridimensionale ha permesso di trasformare le informazioni estratte dalle immagini in parametri metrici utilizzabili per la valutazione quantitativa del danno. Il confronto con le ispezioni tradizionali ha evidenziato una buona coerenza nell’identificazione dei difetti e nell’assegnazione degli indici di degrado, confermando il potenziale della metodologia come strumento di supporto alle attività di monitoraggio e gestione delle infrastrutture, rendendo le ispezioni più oggettive, ripetibili ed efficienti.