Статья посвящена разработке и валидации алгоритмов машинного обучения и компьютерного зрения для объективной идентификации дефектов и несоответствий при приемке отделочных работ в контексте судебной строительно-технической экспертизы; цель исследования – создать программно-алгоритмический комплекс, способный повышать достоверность выводов, сокращать трудоемкость экспертизы и переводить качественные оценки в воспроизводимые количественные метрики. Материалы и методы включают формирование датасета из 68 450 изображений высокого разрешения, собранных на 275 объектах, с многоэтапной экспертной разметкой по 18 классам дефектов (классификация, детекция bounding-box, семантическая сегментация масками) и аугментацией; для детекции использована YOLOv7, для сегментации – U-Net с энкодером EfficientNet-B5, обучение проведено на GPU-кластере с байесовской оптимизацией гиперпараметров, оценка на отложенной выборке(20%) выполнена по Accuracy, Precision, Recall, F1-score и IoU, а практическая эффективность сопоставлена с результатами 10 аттестованных экспертов на 15 контрольных объектах. Результаты показывают средневзвешенную точность идентификации 97,84% против 95,05% у экспертов, с наибольшим превосходством для микротрещин и дефектов текстуры; по сегментации достигнуты высокие значения IoU для линейных и четко очерченных дефектов(более 94%), при ожидаемом снижении для аморфных пятен и высолов, что отражает границы интерсубъективности разметки. Временные затраты на типовой объект сокращаются с 19,5 человеко-часов до 3,45 машино-часов (-82,3%), главным образом за счет автоматизации идентификации и обмеров, а настройка порогов по ROC-кривым позволяет балансировать Precision/Recall с учетом юридической значимости классов дефектов. Обсуждение подчеркивает устойчивое преимущество комплексного подхода: снижение субъективизма, повышение воспроизводимости и масштабируемость процессов документирования; методологически обоснована интеграция с BIM для сопоставления фактического состояния с проектом и перспективы расширения на мобильные/БПЛА-сбор данных. Заключение фиксирует практическую применимость системы как инструмента стандартизации и ускорения экспертиз, рекомендованного к внедрению в процедуры приемки и разрешения споров.
The article develops and validates machine learning and computer vision algorithms for objective identification of defects and nonconformities at the acceptance stage of finishing works in the context of forensic construction-technical examination; the aim is to create a software–algorithmic suite capable of increasing the reliability of conclusions, reducing expert labor intensity, and converting qualitative judgments into reproducible quantitative metrics. Materials and methods include assembling a dataset of 68,450 high-resolution images collected at 275 sites, with multi-stage expert annotation across 18 defect classes(classification, bounding-box detection, semantic segmentation with masks) and augmentation; YOLOv7 was used for detection, U-Net with an EfficientNet-B5 encoder for segmentation; training was performed on a GPU cluster with Bayesian hyperparameter optimization; evaluation on a 20% held-out set employed Accuracy, Precision, Recall, F1-score, and IoU, and practical effectiveness was compared with the results of 10 certified experts on 15 control sites. The results show a weighted-average identification accuracy of 97,84% versus 95,05% for experts, with the greatest advantage for microcracks and texture defects; segmentation achieved high IoU for linear and sharply delineated defects(over 94%), with the expected decline for amorphous stains and efflorescence, reflecting the limits of intersubjective labeling. Time costs per typical site are reduced from 19,5 person-hours to 3,45 machine-hours(-82,3%), primarily due to automated identification and measurements/quantity takeoffs, while ROC-based threshold tuning enables balancing Precision/Recall given the legal salience of defect classes. The discussion underscores the robust advantage of the integrated approach: reduced subjectivity, improved reproducibility, and scalability of documentation workflows; methodologically, integration with BIM is substantiated to reconcile as-built conditions with design, with prospects for extension to mobile/UAV data collection. The conclusion records the system’s practical applicability as a tool for standardizing and accelerating examinations, recommended for incorporation into acceptance procedures and dispute resolution.