Publisher

PUBLINEPUBLINE

Journal Primary Journal of Multidisciplinary ResearchPrimary Journal of Multidisciplinary Research Abstract

Deteksi kerusakan infrastruktur merupakan komponen fundamental dalam pemeliharaan struktur dan keselamatan publik. Metode inspeksi konvensional umumnya bergantung pada penilaian visual manual yang memakan waktu, padat karya, dan rentan terhadap kesalahan manusia. Kemajuan terkini dalam deep learning dan visi komputer telah memperkenalkan sistem inspeksi otomatis berbasis citra yang mampu mendeteksi, mengklasifikasikan, dan menilai kerusakan struktural dengan akurasi tinggi. Studi ini bertujuan untuk meninjau dan mensintesis penerapan teknik deep learning dalam deteksi kerusakan infrastruktur berbasis citra digital. Studi ini mengadopsi pendekatan tinjauan literatur dengan menganalisis publikasi terbaru terkait convolutional neural networks (CNN), transfer learning, segmentasi semantik, arsitektur transformer, kendaraan udara nirawak (UAV), dan korelasi citra digital untuk pemantauan kesehatan struktural. Temuan menunjukkan bahwa deep learning secara signifikan meningkatkan kinerja deteksi untuk berbagai cacat infrastruktur, termasuk retakan, pengelupasan, korosi, dan kerusakan permukaan jalan. Model canggih yang mengintegrasikan segmentasi semantik dan arsitektur berbasis transformer menunjukkan akurasi superior dalam mengidentifikasi kerusakan pada kondisi lingkungan yang kompleks. Selanjutnya, akuisisi citra yang dibantu UAV meningkatkan efisiensi inspeksi sekaligus mengurangi biaya operasional dan risiko keselamatan. Meskipun demikian, beberapa tantangan tetap ada, termasuk keterbatasan dataset beranotasi, kondisi pencahayaan yang bervariasi, generalisasi model, dan persyaratan komputasi. Penelitian masa depan harus menekankan integrasi data multimodal, kecerdasan buatan yang dapat dijelaskan, dan komputasi edge real-time untuk meningkatkan implementasi praktis dalam manajemen infrastruktur. Adopsi sistem inspeksi berbasis deep learning diharapkan dapat meningkatkan strategi pemeliharaan preventif dan mendukung pengembangan infrastruktur berkelanjutan.

Conclusion

Studi ini meninjau perkembangan deep learning dalam deteksi kerusakan infrastruktur berbasis citra, menunjukkan peningkatannya dalam otomatisasi inspeksi dengan akurasi tinggi, efisiensi, dan skalabilitas dibandingkan metode manual.Meskipun Convolutional Neural Networks, transfer learning, segmentasi semantik, dan arsitektur Vision Transformer, serta integrasi UAV, telah mencapai kemajuan signifikan, tantangan seperti ketersediaan dataset, variasi lingkungan, kompleksitas komputasi, dan interpretasi model masih menjadi kendala.Oleh karena itu, penelitian mendatang perlu berfokus pada integrasi deep learning dengan multi-modal sensing, komputasi edge, dan teknologi Digital Twin untuk menciptakan sistem pemantauan cerdas yang mendukung pemeliharaan prediktif dan manajemen infrastruktur berkelanjutan.

Future Research

Penelitian lanjutan perlu menjelajahi pengembangan model deep learning yang tidak hanya ringan dan efisien secara komputasi untuk implementasi real-time pada perangkat edge, tetapi juga terintegrasi dengan kemampuan kecerdasan buatan yang dapat dijelaskan (XAI). Ini akan memungkinkan para insinyur infrastruktur untuk memahami secara transparan bagaimana model sampai pada keputusannya, sehingga meningkatkan kepercayaan dan adopsi dalam lingkungan kritis. Selain itu, terdapat kebutuhan mendesak untuk merancang kerangka kerja pengumpulan data yang lebih terstandardisasi, yang mampu mengakomodasi variasi kondisi lingkungan dan pola kerusakan yang kompleks. Kerangka ini harus secara aktif menggabungkan fusi data dari berbagai modalitas sensor, seperti citra RGB, termal, dan LiDAR, untuk membangun dataset yang komprehensif dan tangguh, yang pada gilirannya akan melatih model deep learning yang lebih generalis dan akurat. Terakhir, potensi penuh integrasi antara teknologi Digital Twin dan model deep learning canggih seperti arsitektur Transformer atau AI generatif masih belum sepenuhnya tergali. Studi di masa depan dapat menyelidiki bagaimana sistem terintegrasi ini dapat dimanfaatkan tidak hanya untuk deteksi kerusakan otomatis, tetapi juga untuk memprediksi tingkat degradasi infrastruktur, menyimulasikan skenario kegagalan potensial, dan secara proaktif merekomendasikan strategi perawatan yang optimal. Pendekatan ini akan memperpanjang umur aset, mengurangi biaya siklus hidup, dan secara fundamental meningkatkan ketahanan serta keberlanjutan infrastruktur.

References

1. [2205.02125] Engineering deep learning methods on automatic detection of damage in infrastructure due... arxiv.org/abs/2205.021252205 02125 Engineering deep learning methods on automatic detection of damage in infrastructure due arxiv abs 2205 02125
2. The Digital Transformation of SMEs | OECD. digital smes oecd skip main content report close doi https... oecd.org/en/publications/the-digital-transformation-of-smes_bdb9256a-en.htmlThe Digital Transformation of SMEs OECD digital smes oecd skip main content report close doi https oecd en publications the digital transformation of smes bdb9256a en html

Metadata

File size	1017.17 KB
Pages	13
DMCA	Report