Red de Percepción Sinérgica Adaptativa Local-Global para la Detección de Defectos Superficiales en Hormigón...

Área de la Ciencia:

• Ingeniería Civil
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• Los defectos superficiales en las estructuras de hormigón hidráulico son topológicamente heterogéneos y están oscurecidos por el ruido ambiental.
• Los modelos de detección convencionales tienen dificultades con geometrías irregulares y artefactos de fondo debido a las convoluciones de cuadrícula fija.

Objetivo del estudio:

• Proponer una novedosa red de aprendizaje profundo, ALGSP-Net, para la detección precisa y robusta de defectos superficiales en hormigón hidráulico.
• Superar las limitaciones de los modelos convencionales para capturar morfologías de defectos heterogéneas y suprimir el ruido.

Principales métodos:

• Se introdujeron módulos de Agregación de Campos Receptivos Conscientes de Defectos y Campos Receptivos Dinámicos Adaptativos para adaptar los campos receptivos a las formas de los defectos.
• Se empleó una estrategia de fusión de compuertas de doble flujo para integrar el contexto global con las características locales, reduciendo la ambigüedad semántica y la interferencia de fondo.
• Se desarrolló y utilizó el conjunto de datos SDD-HCS, autoconstruido, para entrenamiento y evaluación.

Principales resultados:

• ALGSP-Net logró una Precisión promedio del 77,46% y un mAP50 del 72,78% en seis categorías de defectos en el conjunto de datos SDD-HCS.
• El método propuesto demostró un rendimiento superior en comparación con los puntos de referencia de última generación tanto en precisión como en robustez.
• Se observó una supresión eficaz del ruido de fondo y una detección precisa de geometrías de defectos complejas como grietas delgadas y descascarillados entrelazados.

Conclusiones:

• ALGSP-Net proporciona una solución fiable y avanzada para el mantenimiento inteligente de infraestructuras hidráulicas mediante la detección precisa de defectos superficiales.
• El campo receptivo adaptativo y los mecanismos de fusión de doble flujo son innovaciones clave que permiten un rendimiento superior en condiciones difíciles.
• El estudio destaca el potencial de las arquitecturas de aprendizaje profundo personalizadas para abordar desafíos complejos en la monitorización de la salud estructural.