Procesamiento de imágenes RGB para la detección semiautomática de fisuras en estructuras de hormigón

Abstract

El deterioro de las infraestructuras de hormigón da pie al desarrollo de herramientas eficaces y rápidas en el área de la construcción que permitan detectar potenciales patologías estructurales. Con el fin de actuar a tiempo evitando degradaciones en la estructura y posibles fallos en el futuro, el presente trabajo propone una metodología inicial para la detección y análisis de fisuras de manera semiautomática. Se utilizó una red neuronal convolucional ResNet para entrenar un modelo de detección de fisuras utilizando imágenes RGB. Luego, este modelo entrenado se aplicó a imágenes tomadas en campo por la empresa CEDEX para clasificar si contenían fisuras o no. Este enfoque demostró ser altamente efectivo para la detección de fisuras en condiciones del mundo real. Una vez etiquetadas las imágenes se calculó los valores de área y número de fisuras de cada imagen, estos valores fueron vinculados a una plataforma de IoT, ThingSpeak, que permite tener los datos en la nube, y acceder a ellos desde cualquier dispositivo vinculado a la cuenta. Además, se configuró la plataforma de tal manera que envía alertas al correo electrónico de los datos procesados. En resumen, a través de este proceso se ha desarrollado una herramienta inicial que se utiliza para la detección de fisuras en estructuras. Con un mayor desarrollo en el futuro, esta herramienta IoT tiene el potencial de evolucionar y ser capaz de clasificar automáticamente diversas patologías en las estructuras, lo que representa un avance significativo en la inspección y mantenimiento de infraestructuras.

The deterioration of concrete infrastructures gives rise to the development of effective and fast tools in the construction area to detect potential structural pathologies. In order to act in time to avoid structural degradation and possible future failures, this paper proposes an initial methodology for semi-automatic crack detection and analysis. A ResNet convolutional neural network was used to train a crack detection model using RGB images. This trained model was then applied to images taken in the field by CEDEX to classify whether they contained cracks or not. This approach proved to be highly effective for crack detection in real-world conditions.Once the images were labelled, the area and number of cracks values were calculated for each image, these values were linked to an IoT platform, ThingSpeak, which allows the data to be held in the cloud, and accessed from any device linked to the account. In addition, the platform was configured in such a way that it sends email alerts of the processed data. In summary, through this process an initial tool has been developed that is used for crack detection in structures. With further development in the future, this IoT tool has the potential to evolve and be able to automatically classify various pathologies in structures, representing a significant advance in infrastructure inspection and maintenance.