Herr Amir Sadrnia, präsentierte am 24.09.2025 in seinem Beitrag „Unsupervised Semantic Segmentation of Cracks in Concrete Specimens“ die Ergebnisse seiner Masterarbeit über den Einfluss ungleicher Datengewichtung auf die unüberwachte semantische Segmentierung von CT-Daten verschiedener Betonproben. Die Forschung untersucht die Anwendung von unüberwachter semantischer Segmentierung zur automatischen Erkennung von Rissen in Beton, um die Notwendigkeit großer, manuell annotierter Datensätze zu umgehen. Hierbei wurden zwei aktuelle Frameworks, Self-supervised Transformer with Energy-based Graph Optimization (STEGO) und Eigen Aggregation Learning (EAGLE), aufgrund ihrer positiven Leistung in Benchmarks ausgewählt, um auf den Datensätzen µCT und DeepCrack trainiert zu werden. Die quantitativen Ergebnisse von STEGO, trainiert auf µCT, sind vielversprechend, die qualitativen Ergebnisse zeigen jedoch, dass das Modell bei der Erkennung versagte. Im Gegensatz dazu konnte EAGLE bei nahezu identischen Metriken Risse teilweise erkennen, wenn Klassen-Ungleichgewichte nicht berücksichtigt wurden. Basierend auf den qualitativen Ergebnissen auf dem DeepCrack-Datensatz erkannten beide Modelle Risse, allerdings schnitt EAGLE bei den Metriken schlechter ab als STEGO. Die Ergebnisse deuten auf eine potenzielle Diskrepanz zwischen den quantitativen Metriken und der tatsächlichen visuellen Leistung dieser unüberwachten Modelle hin, insbesondere im Umgang mit unausgeglichenen Daten. Diese Einschränkung könnte durch eine Ausbalancierung des Trainingsdatensatzes mittels kriterienbasierter Filterung von transformierten und augmentierten Scans verbessert werden. Der für die Masterarbeit und den anschließenden Konferenzbeitrag verwendete μCT-Datensatz ist Teil des DFG-Projekts „Kombination und Automatisierung computergestützter Methoden zur quantitativen Rissanalyse von Beton – Teil II" .

Mr. Amir Sadrnia, in his contribution "Unsupervised Semantic Segmentation of Cracks in Concrete Specimens," presented on 24/9/2025 the results of his master's thesis on the influence of unequal data weighting on the unsupervised semantic segmentation of CT data from various concrete samples. The research investigates the use of unsupervised semantic segmentation for the automatic detection of cracks in concrete to avoid the need for large, manually annotated datasets. For this purpose, two current frameworks, Self-supervised Transformer with Energy-based Graph Optimization (STEGO) and Eigen Aggregation Learning (EAGLE), were selected due to their positive performance in benchmarks to be trained on the µCT and DeepCrack datasets. The quantitative results of STEGO trained on µCT are promising; however, the qualitative results show that the model failed at detection. In contrast, EAGLE was able to partially detect cracks with nearly identical metrics when class imbalances were not addressed. Based on the qualitative results on the DeepCrack dataset, both models detected cracks, but EAGLE performed worse than STEGO in the metrics. The results suggest a potential discrepancy between the quantitative metrics and the actual visual performance of these unsupervised models, particularly when dealing with imbalanced data. This limitation could be improved by balancing the training dataset using criteria-based filtering of transformed and augmented scans. The μCT Dataset used for the master's thesis and consequent conference paper is part of the DFG Project "Combination and automation of computer-aided methods for quantitative crack analysis of concrete - Part II".