No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

Infrastructures like bridges and tunnels are significant for the economy and growth of countries, however, the risk of failure increases as they getting aged. Therefore, a systematic monitoring scheme is necessary to check the integrity regularly. Among all the defects, cracks are the most common ones that can be observed directly by camera or mapping system. Meanwhile, cracks are capable and reliable indicators. As a result, crack detection is one of the most broadly researched topic. As the limitation of computing resource vanishing, deep learning methods are developing rapidly and used widely. U-net is one of the latest deep learning methods for image classification and has shown overwhelming adaptability and performance in medical images. It is promising to be capable for crack detection.  In this thesis project, a U-net approach is used to automatically detect road and tunnel cracks. An open-source crack detection dataset is used for training. The model is improved by new parameter settings and fine-tuning and transformed onto the data acquired by the mobile mapping system of TACK team. Image processing techniques such as class imbalance handling and center line are also used for improvement. At last, qualitative and quantitative statistics are used to illustrate superiority of the methods.  This thesis project is a sub-project of project TACK, which is an ongoing research project carried out by KTH - Royal Institute of Technology, Sapienza University of Rome and WSP Sweden company under the InfraSweden2030 program funded by Vinnova. The main objective of TACK is developing a methodology for automatic detection and measurement of cracks on tunnel linings or other infrastructures.

Polymerbasierte Leichtbaumaterialien (LMs) werden zunehmend als Konstruktionswerkstoffe im Transportwesen (Automobilbau, Luft- und Schifffahrt, Schienenverkehr), in der zivilen Infrastruktur, im Bauwesen und in der Energietechnik eingesetzt, um Energie, Gewicht und Ressourcen einzusparen, sowie den Ausstoß klimaschädlicher Treibhausgase zu reduzieren. Sie besitzen eine hohe Festigkeit, Stabilität, Zuverlässigkeit, Langlebigkeit und können energie-, kosten- und ressourceneffizient hergestellt werden. Stoffliche Änderungen können irreversible Schäden am LM hervorrufen und zum frühzeitigen Materialversagen führen. Daher ist eine Materialüberwachung sinnvoll. Die vorliegende Arbeit untersucht einen neuartigen Sensoransatz zur Zustandsüberwachung von LMs mittels passiver und strukturintegrierter elektromagnetischer Resonatorarrays (RAs). Sie zeichnen sich durch regelmäßig zueinander angeordnete Subwellenlängenresonatoren aus, die in Drucktechnologie umgesetzt und mittels Spritzgieß- oder Vakuum-Infusionstechnologie in die LMs integriert werden. Stoffliche Veränderungen bewirken ein verändertes elektromagnetisches Resonanzverhalten der RAs, dass per Reflexionsmessung kontaktlos ausgewertet werden kann. Es werden reflexionsbasierte Sensorkonzepte durch den Einsatz mehrlagiger RAs erarbeitet und das Reflexionsverhalten numerisch mittels der Finiten-Elemente-Methode analysiert und die betrachteten RAs exemplarisch umgesetzt, integriert und hinsichtlich ihrer Sensorfunktion bewertet.:1 Einleitung 2 Elektromagnetische Felder, Wellen und deren Wechselwirkung mit Materie 3 Entwicklung von Subwellenlängen Resonatorarrays 4 Realisierung eines Messverfahrens zur Bewertung der Eigenschaften der entwickelten Resonatorarrays 5 Applikationsszenarien 6 Ergebnisbewertung und Auswertung Anhang