Resumen La detección y localización precisas de la corrosión en acero en infraestructuras de túneles sigue siendo un desafío importante, particularmente bajo condiciones de iluminación variable, accesibilidad limitada y cambios visuales de dominio comunes en escenarios de inspección del mundo real. Este estudio presenta un nuevo marco integrado que automatiza la inspección de túneles combinando aprendizaje profundo auto-supervisado, reconstrucción tridimensional basada en imágenes y localización de daños espaciales basada en modelado de información de edificios (BIM). En el núcleo de nuestro enfoque hay un modelo de adaptación de dominio de dos etapas basado en Segformer, que aprovecha el etiquetado pseudo y el enmascaramiento de confianza para mejorar la generalización en entornos visualmente diversos sin requerir datos etiquetados extensos. A diferencia de los métodos supervisados tradicionales, nuestro modelo logra una intersección media sobre la unión (mIoU) de 0.81 y un puntaje F1 de 0.77, demostrando una robustez y generalización superiores. Las imágenes capturadas por vehículos aéreos no tripulados y iPhones fueron procesadas para generar una nube de puntos densa, que se utilizó para construir un modelo BIM tridimensional (3D) de la estructura del túnel. Las regiones de corrosión fueron detectadas y localizadas con precisión dentro del sistema de coordenadas BIM utilizando un método de estimación de coordenadas personalizado. Los resultados finales se compilaron en una base de datos estructurada para una gestión de activos digitales sin problemas. En general, el marco propuesto ofrece una solución escalable, rentable y altamente adaptable que reduce significativamente el trabajo manual y el tiempo de inspección, con un fuerte potencial para una implementación más amplia en el monitoreo de condiciones de infraestructura y gestión de activos digitales.
Maharjan et al. (Vie,) estudiaron esta cuestión.