Fotogrammetrisk metode for modellering av bruer: En undersøkelse av rustdeteksjon på stålbjelker

Abstract

Denne oppgaven er skrevet for Statens vegvesen og undersøker mulighetene for dronebruk som et supplement i bruinspeksjon. Formålet med oppgaven er å undersøke om man kan sammenstille tredimensjonale digitale modeller av bjelkebruer ved hjelp av dronebilder, og om man kan detektere rust på disse modellene.

Oppgaven legger fram en generalisert flyplan som danner grunnlaget for å lage fotogrammetriske modeller av bruer. Flyplanen har blitt testet i praksis, og det har blitt laget modeller av en bjelkebru. Det har blitt gjort tre forskjellige rust-deteksjoner ved hjelp av RGB-verdier. To av teknikkene er basert på manuelt definerte terskelverdier. Den siste er en klassifisering med maskinlæringsalgoritmen Random Forest.

Resultatene viser at flyplanen som har blitt foreslått gir en god dekningsgrad av brua, og kan bli brukt til å sammenstille en fotogrammetrisk modell. Modellen gir varierende resultater på ulike deler av brua, og sliter blant annet med å gjengi H-bjelkene der de har mest homogene flater.

Rustflatene blir derimot modellert bra, og ved bruk av overflatemodell er det mulig å gjøre arealberegninger på rustflater. Det er mulig å detektere rust ved hjelp av RGB-verdier, men klassifiseringen har gitt upålitelige resultater.

This thesis is written on behalf of the Norwegian Public Roads Administration and investigates the possibilities of using drones as a supplement in bridge inspections. The purpose of the study is to examine whether it is possible to compose three-dimensional digital models of beam bridges using drone images and whether rust can be detected on these models.

The thesis presents a generalized flight plan that forms the basis for creating photogrammetric models of bridges. The flight plan has been tested in practice, and models of a beam bridge have been created. Three different rust detections have been performed by using RGB-values. Two of the techniques are based on manually defined threshold values, and the last is a classification done with the machine learning algorithm Random Forest.

The results show that the proposed flight plan provides good coverage of the bridge and can be used to compile a photogrammetric model. The model gives varied results on different parts of the bridge and struggles to reproduce the H-beams where they have the most homogeneous surfaces.

However, the rust surfaces are modeled well, and by using surface models it is possible to perform area calculations on rust areas. It is possible to detect rust using RGB values, but the classification itself has yielded unreliable results.