Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques
| dc.contributor.author | Hryhorovych, Mykyta S. | en |
| dc.date.accessioned | 2025-07-15T11:47:58Z | |
| dc.date.issued | 2025 | |
| dc.description | M. Hryhorovych: ORCID 0000-0002-5539-7493 | en |
| dc.description.abstract | ENG: Deep learning has emerged as a transformative approach for detecting structural damage and deformations, particularly for flat roofs and large-scale infrastructure. This article synthesizes recent progress in applying convolutional neural networks (CNNs), segmentation models, object detectors (YOLO, Faster R-CNN), and autoencoders for unsupervised anomaly detection. Drones (UAVs), thermal imaging, and vibration sensing all contribute critical data. By training on images or signals indicative of healthy vs. damaged conditions, deep models can locate cracks, spalling, missing fasteners, or stiffness loss at high speed and with impressive accuracy - often above 85%. A review of more than 300 publications indicates that remote inspection with AI can drastically reduce manual labor and improve the consistency of damage identification, even in hazardous or inaccessible areas. A summary table compares deep learning effectiveness across beams, walls, decks, roofs, and other structural components. Real-world deployments on bridges, high-rise facades, and post-disaster zones confirm that deep learning, coupled with UAV-based inspections, can accelerate maintenance workflows, detect subtle defects, and reduce safety risks. Ongoing challenges include data scarcity for rare failure modes, generalizing models to new environments, and the integration of physics-based reasoning. Recommendations for future research involve fusing multispectral data, automating calibration of deep models, and embedding AI in digital twins for continuous structural health monitoring. | en |
| dc.description.abstract | UKR: Глибоке навчання стало проривним підходом до виявлення конструктивних пошкоджень і деформацій, зокрема для плоских покрівель та великомасштабної інфраструктури. У цій статті узагальнено останні досягнення в застосуванні згорткових нейронних мереж (CNN), моделей сегментації, детекторів об’єктів (YOLO, Faster R-CNN) та автокодерів для безнаглядного виявлення аномалій. Дрони (БПЛА), тепловізійна зйомка та вібраційне зондування забезпечують критично важливі дані. Завдяки навчанню на зображеннях або сигналах, які відображають нормальний або пошкоджений стан, моделі глибокого навчання можуть швидко й точно виявляти тріщини, відшарування бетону, відсутні кріплення або втрату жорсткості — часто з точністю понад 85 %. Огляд понад 300 наукових публікацій свідчить, що дистанційна інспекція за допомогою ШІ може суттєво зменшити обсяг ручної праці та покращити стабільність ідентифікації ушкоджень навіть у небезпечних або важкодоступних зонах. Підсумкова таблиця порівнює ефективність глибокого навчання для балок, стін, перекриттів, покрівель та інших конструктивних елементів. Реальні приклади впровадження на мостах, фасадах висотних будівель і у зонах після стихійних лих підтверджують, що глибоке навчання у поєднанні з інспекцією БПЛА здатне прискорити обслуговування, виявити приховані дефекти та зменшити ризики для безпеки. Серед актуальних викликів — нестача даних для рідкісних типів пошкоджень, складність узагальнення моделей на нові умови та потреба у поєднанні з фізичними моделями. Серед рекомендацій для подальших досліджень — об’єднання мультиспектральних даних, автоматизація калібрування моделей та інтеграція ШІ в цифрові двійники для постій-ного моніторингу стану конструкцій. | uk_UA |
| dc.description.sponsorship | ESI “Prydniprovska State Academy of Civil Engineering and Architecture" | en |
| dc.identifier.citation | Hryhorovych M. Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques. System Technologies. Dnipro, 2025. Vol. 5. No. 160. P. 43–49. DOI: https://doi.org/10.34185/1562-9945-5-160-2025-05. | en |
| dc.identifier.doi | https://doi.org/10.34185/1562-9945-5-160-2025-05 | en |
| dc.identifier.issn | 1562-9945 (Print) | |
| dc.identifier.issn | 2707-7977 (Online) | |
| dc.identifier.uri | https://journals.nmetau.edu.ua/index.php/st/article/view/2223 | en |
| dc.identifier.uri | https://crust.ust.edu.ua/handle/123456789/20808 | en |
| dc.language.iso | en | |
| dc.publisher | Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро | uk_UA |
| dc.rights | Creative Commons Attribution 4.0 International License | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject | deep learning | en |
| dc.subject | machine learning | en |
| dc.subject | flat roof defects | en |
| dc.subject | structural damage | en |
| dc.subject | UAV | en |
| dc.subject | computer vision | en |
| dc.subject | CNN | en |
| dc.subject | semantic segmentation | en |
| dc.subject | object detection | en |
| dc.subject | autoencoders | en |
| dc.subject | глибоке навчання | uk_UA |
| dc.subject | машинне навчання | uk_UA |
| dc.subject | дефекти плоских покрівель | uk_UA |
| dc.subject | пошкодження конструкцій | uk_UA |
| dc.subject | БПЛА | uk_UA |
| dc.subject | комп’ютерний зір | uk_UA |
| dc.subject | семантична сегментація | uk_UA |
| dc.subject | виявлення об’єктів | uk_UA |
| dc.subject | автокодери | uk_UA |
| dc.subject.classification | TECHNOLOGY | en |
| dc.subject.classification | TECHNOLOGY::Information technology | en |
| dc.title | Detecting Flat Roof Defects with Machine Learning and Deep Learning Techniques | en |
| dc.title.alternative | Виявлення дефектів плоских покрівель за допомогою методів машинного навчання та глибокого навчання | uk_UA |
| dc.type | Article | en |