Approcci avanzati di apprendimento profondo per il rilevamento di difetti nei tunnel nella gestione delle risorse infrastrutturali

Le infrastrutture si basano su un monitoraggio periodico per mantenerne la funzionalità e ridurre i rischi. Sviluppare strategie per il monitoraggio e la gestione di infrastrutture obsolete, nel rispetto di metodi efficienti in termini di tempo, è diventata una sfida nei paesi sviluppati. Questa ricerca presenta una nuova strategia per il monitoraggio dello stato di salute delle infrastrutture, introducendo un set di dati sviluppato su gallerie in calcestruzzo italiane, relativo al rilevamento di difetti, adatto all'addestramento di algoritmi di visione artificiale basati su deep learning all'avanguardia. Il database contiene cinque tipologie di difetti previsti dalla normativa italiana, tra cui infiltrazioni, scheggiature, giunti danneggiati, crepe e corrosione, e tre classi di non difetti che rappresentano le attrezzature, i componenti di riparazione e la segnaletica della galleria. Di conseguenza, il database è stato valutato e confrontato con tre algoritmi di segmentazione delle istanze di deep learning per verificarne l'efficacia. Inoltre, il database è stato valutato con metodi di segmentazione semantica per rappresentare la compatibilità di molteplici utilizzi e distinguere tra classi di difetti e non difetti. Questo database è stato sviluppato per aiutare i professionisti a superare i problemi legati alla scarsità di dati nei metodi di monitoraggio delle infrastrutture in galleria e a migliorare l'efficienza temporale e l'accuratezza.