AI lär datorn hitta sprickor
Att fotografera en tunnel ger inte automatiskt användbart träningsmaterial för en AI-modell. Först måste någon tala om vilka bildpunkter som är sprickor och vilka som hör till bakgrunden. En smal, förgrenad spricka kräver många markeringar längs kanterna. Arbetet ska sedan upprepas i bild efter bild.
Det är den arbetsinsatsen Andreas Sjölander och hans kollegor försöker minska. Med en metod där användaren klickar på sprickan och modellen hjälper till med märkningen kunde de enligt honom återskapa ett tidigare manuellt märkt bildmaterial på två veckor. Den manuella märkningen hade tagit omkring två månader.
Jämförelsen gäller arbetet med träningsbilder, inte tiden för att inspektera en tunnel. Sjölander anger inte bemanning eller hur mycket efterkontroll som ingår. Någon motsvarande tidsstudie redovisas inte i forskningsartiklarna.
Han beskriver verktyget som användbart för delar av arbetet, medan en människa fortfarande behöver finjustera sprickans markering. En helt automatisk metod har gett blandade resultat.
– För enklare sprickor är det ganska nära verkligheten, för mer komplicerade sprickor ganska långt ifrån, säger han till Betongvärlden.
Manuell märkning av en spricka – varje punkt har lagts in för hand.
Två modeller delar på märkningsarbetet
I en forskningsartikel till Nordiska betongförbundets symposium i Sandefjord 2025 beskrev Andreas Sjölander och kollegorna Valeria Belloni och Andrea Nascetti ett arbetsflöde med två redan tränade AI-modeller.
Den första, Grounding DINO, söker efter objekt utifrån ordet ”crack”, spricka. Den andra, Segment Anything Model, SAM, föreslår vilka bildpunkter som tillhör objektet. Resultatet blir en markering som kan rättas i ett separat märkningsverktyg.
Det preliminära försöket gav en rimlig markering av en ensam spricka, men betydande problem i en bild med flera sprickor. Sjölander beskriver i sina svar hur forskarna sedan har arbetat vidare med olika grader av automatisering. Metoder där en människa hjälper modellen genom att klicka på sprickan fungerar något bättre, enligt honom.
Exempel på sprickor som är lättare att upptäcka i tre tunnlar.
Sprutbetongen ställer andra krav än en slät yta
En modell behöver också möta rätt sorts bilder under träningen. Tunnlar innehåller kablar, installationer och skarvar som kan förväxlas med sprickor. På grov sprutbetong tillkommer skuggor och en oregelbunden ytstruktur.
För att kunna träna och pröva modeller i olika tunnelmiljöer har forskargruppen sammanställt TACK Tunnel Data, TTD. Det är en samling märkta bilder, beskriven i ett manuskript som enligt Sjölander ännu inte är vetenskapligt granskat. Samlingen innehåller 3 774 bildrutor, varav 785 med sprickor. Forskarna har också märkt upp vatten och urlakning.
Bilderna kommer från tre olika tunnelmiljöer. I en finns en fristående inre sprutbetonginklädnad mot ett membran, avsedd att hålla tunneln torr. En annan har släta prefabricerade betongelement. I den tredje ligger sprutbetongen direkt mot den ojämna bergytan efter borrning och sprängning.
Sprickorna i detta material märktes huvudsakligen manuellt, och märkningen kontrollerades av ytterligare en person. Bilderna användes sedan för att träna och testa en separat modell, U-Net, som skiljer sprickans bildpunkter från bakgrunden. Det försöket utvärderar alltså sprickdetektering, inte hur snabbt märkningsverktyget arbetar.
Forskarna prövade bland annat att träna modellen på två tunnlar och testa den på den tredje. Resultaten varierade med tunnelmiljön. Det blev inte sämre i varje ny tunnel: författarna lyfter fram tunneln med större och lättare synliga sprickor som ett undantag. Ett bra resultat i en tunnel kan därför inte ensamt visa hur modellen fungerar i en annan.
Exempel på mer svårupptäckta sprickor i samma tunnlar.
Inspektören ska få hjälp att välja plats
Att upptäcka sprickan är ett steg. Att avgöra vad den betyder för konstruktionens bärförmåga är ett annat. En doktorand i projektet arbetar nu med hur sprickor påverkar skadad sprutbetong. Andreas Sjölander räknar med att de flesta sprickor som bedöms kommer att behöva mänsklig kontroll.
– Grundidén med vår metod är att den ska kunna fungera som ett första filter när en tunnels tillstånd ska bedömas.
Tanken är att först göra en automatisk genomgång av tunneln och därefter skicka inspektörer till de platser som behöver undersökas närmare. Kortare inspektionstid är än så länge ett mål, inte ett redovisat resultat från den jämförelse forskarna planerar.
Instrumentstödd inspektion har prövats även i andra projekt. I SBUF:s äldre informationsblad 16:15 bedömdes laser och georadar kunna peka ut möjliga problemområden. De då studerade instrumenten ersatte däremot inte inspektörens okulära kontroll och bomknackning. Det är historiska erfarenheter av andra metoder, inte ett test av TACK.
I fortsättningsprojektet TACK-II, som Sjölander leder och som löper till slutet av 2027, ska digitala och traditionella inspektioner jämföras utifrån noggrannhet, tid och kostnader. Gruppen har enligt honom samlat in digitala data från en komplett tunnel.
– Detta gjordes i samband med huvudinspektion av tunneln för att vi senare ska kunna jämföra våra resultat med resultat från inspektion på plats.
Andreas Sjölander är nominerad till Årets Betongforskare på Betonggalan.
Läs mer
#09 – Perfektion skapar avstånd. Mänsklighet skapar relationer
Det är svårt att komma nära en människa som aldrig släpper in dig. Texten var perfekt. Det var just det som var problemet.
Flyttbara skydd ska ge fler skyddsplatser nära skolor
Ett nytt svenskt utvecklingsprojekt ska pröva om prefabricerade och flyttbara konstruktioner kan användas för att snabbt skapa skydd för civilbefolkningen där behovet är störst. Skolor och förskolor pekas ut som särskilt intressanta platser.
Fyra frågor: så blir byggpolitiken efter valet
Under hösten får Sverige en ny regering. Vad betyder det för byggpolitiken? Vi identifierar fyra centrala frågor - och försöker besvara dem.