城市交通流量日益繁忙，令橋樑與道路網絡承受更大壓力，建立一套高效且可靠的道路安全監測統系更具挑戰。香港理工大學（理大）研究團隊開發一項創新多層次智能模型，有效提升對混凝土橋樑表面與地下缺陷的檢測和評估能力，從而加強安全，延長公共基礎設施的使用壽命。
氣溫與濕度上升會加速鋼筋腐蝕及混凝土性能退化，導致裂縫、剝落等問題，削弱結構強度。在城市密集的環境下，這些問題和風險更為加劇，因為偵測與維修工作往往涉及複雜的後勤安排。雖然目視檢查（VI）仍然是目前評估橋樑結構狀況的主要方法，但其對地下缺陷如鋼筋腐蝕的辨識能力有限。為克服這些局限，理大建築及房地產學系教授 Tarek ZAYED教授與研究團隊，開發出一套先進的無損檢測（NDT）技術，能主動且有效地檢測混凝土橋面的表面與地下缺陷，從而提高檢測的準確度，並增強道路安全保障。
這項研究整合多項先進技術，包括利用無人機目視檢查進行自動化數據收集、探地雷達（GPR）繪製地下腐蝕分布圖，以及紅外線熱成像（IRT）檢測混凝土內部剝離情況。團隊結合機器學習演算法分析整合數據，建立一套能有效識別重大結構缺陷的多層次綜合系統。
ZAYED教授表示：「我們的綜合檢測系統創新地結合了無人機、探地雷達與紅外線熱成像技術，並透過整合式人工智能方法，大幅提升缺陷的檢測能力。這項技術不僅提高檢測效率與準確度，還能自動生成橋面效率指數等退化分析報告。我們還設計了一套操作簡便的智能工具，可自動分析橋面效率數據，以滿足實際應用需求。此外，我們建立了一份5級嚴重程度的評級量表，以標準化檢測流程，確定維修的優先順序。 」
隨著交通負荷日益加劇，橋樑檢測需求持續上升，尤其是常見表面裂縫的監測。然而，傳統目視檢查在準確度、勞動密集度及主觀性判斷方面仍存在一定問題。為解決這些挑戰，ZAYED教授的團隊開發出YOLOv8-GAM-WISE-IoU，一種基於深度卷積神經網絡（CNN）的高效橋樑裂縫自動檢測模型。研究結果顯示，該模型具備卓越的精確度，展現出在各種實際應用上極具潛力。
探地雷達是一種先進的無損檢測技術，用於即時評估混凝土腐蝕情況，但其數據分析過程相當複雜且耗時。為解決此問題，研究團隊開發一套全自動的探地雷達數據解讀方法，及鋼筋腐蝕評估技術。此方法具有強大的鋼筋定位與腐蝕測繪功能，準確率與召回率均超過98%。此外，這套標準化方法還能準確識別潛在的腐蝕區域，為結構監測提供可靠依據。
惡劣環境、老化，以及交通載荷引起的磨損，會加速混凝土構件的退化，造成結構損傷與表面裂縫，最終導致橋面鋼筋腐蝕。研究團隊利用紅外線熱成像技術，建立一套「最佳熱梯度閾值」（OTGT）系統，用於檢測混凝土橋面的剝離區域。此智能系統還能自動生成剝離圖與閾值，以便及時診斷與維護，有效延長橋樑使用壽命。
ZAYED教授在橋樑檢測與安全方面的研究成果，已發表於多本國際期刊，包括《建築與建築材料》（Construction and Building Materials）、《建築自動化》（Automation in Construction）及《高級工程資訊學》（Advanced Engineering Informatics）。這項研究亦獲得了智慧交通基金支持，資助金額約800萬港元，資助編號為PSRI/14/2109/RA。
