Empresas Premium
El trabajo del Dr. Ricard Lado, presentado en IQS y basado en la amplificación de movimiento de vídeo (VMM) mediante deep learning, proporciona una metodología completa y herramientas útiles para la monitorización y mantenimiento eficaces y eficientes de estructuras complejas.
La monitorización de la salud estructural (SHM) es una disciplina centrada en es el estudio del estado a largo plazo de estructuras e infraestructuras como puentes, edificios y aerogeneradores, con el objetivo de identificar variaciones o degradaciones en sus prestaciones. Dentro del ámbito de las aplicaciones de la SHM, los nuevos sistemas basados en visión artificial presentan una propuesta de valor muy atractiva.
A diferencia de los sistemas de monitorización convencionales, con instalaciones y calibraciones costosas que utilizan redes de sensores distribuidos por toda la estructura basadas en el contacto, los sistemas basados en visión artificial ofrecen una alternativa no intrusiva. Esta tecnología es capaz de capturar medidas exhaustivas en todo el campo estructural, incluso cuando se colocan distancias considerables de la estructura. Esta característica inherente convierte las técnicas basadas en la visión artificial en opciones muy rentables en comparación con sus contrapartes basadas en el contacto, aunque, aún siendo muy prometedoras, aun presentan limitaciones técnicas.
En este contexto, el Dr. Ricard Lado llevó a cabo su tesis doctoral Leveraging learning-based computer vision for vibration-informed structural diagnosis, realizada en el Departamento de Ingeniería Industrial de IQS School of Engineering, dentro del grupo de investigación Applied Mechanics and Advanced Manufacturing – GAM, bajo la dirección del Dr. Marco Antonio Pérez.
El objetivo principal de esta tesis ha sido desarrollar, perfeccionar y validar una metodología de visión artificial de última generación basada en la amplificación del movimiento de vídeo (VMM) mediante el aprendizaje automático. La técnica desarrollada es una herramienta diseñada específicamente para simplificar la implementación de estrategias de SHM en estructuras complejas y para evaluar la respuesta dinámica de estas estructuras.
Nuevas herramientas ‘open source’
Para establecer y validar esta metodología, el primer paso consistió en la creación de un modelo de referencia y una prueba de concepto para la detección de daños en estructuras, con el objetivo de validar las futuras herramientas de Deep learning desarrolladas.
Posteriormente, el Dr. Lado realizó una mejora de los modelos de ‘video motion magnification’ e introdujo una nueva arquitectura denominada STB-VMM (Swin Transformer Based Video Motion Magnification). Esta arquitectura se distingue por el hecho de no requerir equipos especiales para la amplificación del movimiento, permitiendo así su implementación con una cámara convencional. Además, el sistema desarrollado en esta tesis doctoral presenta numerosas ventajas en términos de calidad de imagen, comparado con otros modelos ya existentes.
Por último, el Dr. Lado integró y validó los resultados obtenidos en los sistemas de visión artificial, con la finalidad de desarrollar una nueva herramienta de software libre, para la detección de degradación estructural.
La investigación realizada en esta tesis establece la capacidad robusta de las técnicas de amplificación del movimiento de vídeo basadas en el aprendizaje para amplificar con precisión y consistencia los movimientos estructurales intrincados. En consecuencia, esto permite la detección de cambios sutiles en la respuesta dinámica de la estructura sometida a escrutinio. Además, la integración de la amplificación del movimiento de video euleriano con técnicas avanzadas de aprendizaje, como son los transformadores visuales y las redes neuronales convolucionales, eleva significativamente tanto la precisión como la eficiencia más allá del que actualmente se considera el estado del arte en la calidad de imagen de la amplificación del movimiento de vídeo.
Además de los logros técnicos, esta tesis también proporciona una metodología completa y un conjunto de herramientas de programario que pueden resultar inestimables para los investigadores e ingenieros que se dediquen a la monitorización y mantenimiento eficaces y eficientes de estructuras complejas.
.png)
