Usare l’IA per rilevare e segmentare le crepe

Quando noti una crepa su una superficie, potrebbe sembrare un problema di poco conto, ma è un buon indicatore precoce di gravi danni strutturali. Per esempio, i ponti vengono ispezionati regolarmente per individuare le crepe, che rappresentano il 90% di tutti i danni ai ponti ogni anno. Tradizionalmente, l'ispezione delle crepe viene eseguita manualmente e può richiedere molto tempo. L'intelligenza artificiale (AI) può semplificare il rilevamento delle crepe.

Oltre ai ponti, il rilevamento delle crepe basato sul deep learning è utile in molti contesti industriali. Aiuta a preservare l’integrità degli edifici nel settore delle costruzioni, previene costosi fermi nel settore della produzione industriale e rende più sicure ed efficaci le ispezioni di strade e pavimentazioni. In questo articolo vedremo più da vicino come usare modelli di IA e computer vision come Ultralytics YOLOv8 per rilevare e segmentare le crepe con maggiore rapidità e facilità rispetto ai metodi tradizionali.

Che cos'è la segmentazione delle crepe?#

Prima di approfondire la segmentazione delle crepe, vediamo cos’è la segmentazione. La segmentazione è un’attività di computer vision che consiste nel dividere un’immagine in diverse regioni o segmenti. L’obiettivo è semplificare l’immagine e renderla più facile da analizzare. La segmentazione fornisce informazioni a livello di pixel, mentre attività come il rilevamento degli oggetti usano riquadri di delimitazione per identificare e localizzare gli oggetti.

Esistono diverse tecniche di segmentazione:

• Segmentazione semantica: consiste nell’assegnare a ogni pixel dell’immagine una classe specifica, per esempio «strada», «edificio» o «albero». Tutti i pixel della stessa classe vengono trattati come un’unica entità.
• Segmentazione delle istanze: a differenza della segmentazione semantica, distingue le singole istanze della stessa classe, per esempio le diverse auto presenti in un’immagine.
• Segmentazione panottica: combina gli approcci della segmentazione semantica e della segmentazione delle istanze per offrire una comprensione dettagliata della categorizzazione a livello di pixel e delle singole istanze degli oggetti in un’immagine.

Fig. 1. Differenze tra le tecniche di segmentazione: immagine originale (G), segmentazione semantica (H), segmentazione delle istanze (I) e segmentazione panottica (J).

Per rilevare le crepe, la segmentazione delle istanze è un’ottima scelta. Segmentando ogni crepa in modo univoco, possiamo identificarla e analizzarla singolarmente. Per esempio, possiamo calcolare l’area di una crepa contando il numero di pixel che occupa nell’immagine.

Come funziona la segmentazione delle crepe#

Il primo passaggio per implementare la segmentazione delle crepe consiste nel valutare la configurazione delle telecamere più adatta, che può variare in base all'applicazione. Se ispezioni una struttura di grandi dimensioni, come un edificio, l'approccio migliore potrebbe essere usare droni per acquisire immagini ad alta risoluzione da diverse angolazioni. Se invece ispezioni lamiere dopo la produzione, potrebbe essere preferibile utilizzare telecamere fisse ad alta risoluzione, posizionate strategicamente per acquisire immagini dettagliate delle superfici.

Dopo aver definito la configurazione delle telecamere, puoi addestrare un modello di computer vision che supporta la segmentazione delle istanze, come YOLOv8. Il Roboflow Universe Crack Segmentation Dataset contiene immagini annotate di crepe e può essere utilizzato per addestrare il tuo modello. Puoi anche creare il tuo dataset acquisendo e annotando immagini di crepe specifiche per la tua applicazione.

Il modello impara a segmentare le crepe tramite l'apprendimento supervisionato. Durante l'addestramento, gli vengono fornite immagini ed etichette che mostrano dove si trovano le crepe. Il modello regola i propri parametri interni per ridurre al minimo la differenza tra le sue previsioni e le etichette effettive. Una volta addestrato, può essere utilizzato per analizzare nuove immagini e segmentare in modo distinto ogni crepa.

Fig. 2. Utilizzo di Ultralytics YOLOv8 per la segmentazione delle crepe.

Applicazioni industriali della segmentazione delle crepe#

Il rilevamento e la segmentazione delle crepe sono molto utili in diverse applicazioni industriali, dalla manutenzione delle infrastrutture al controllo qualità nella produzione industriale. Identificando e analizzando le crepe con precisione, queste tecniche contribuiscono a migliorare la sicurezza, la durata e la qualità in molti settori. Vediamo alcuni esempi.

Mantenimento della qualità di strade e pavimentazioni#

Le crepe nelle strade sono un problema comune, causato dalle condizioni meteorologiche, dal traffico intenso e dalla normale usura. Le variazioni di temperatura possono far espandere e contrarre la pavimentazione, provocando crepe. I veicoli pesanti sollecitano la superficie stradale, mentre l'acqua che penetra nelle piccole crepe può allargarle e approfondirle nel tempo. Queste crepe possono causare usura prematura, cedimenti strutturali e un maggiore pericolo per chi guida. Il rilevamento precoce tramite la segmentazione delle crepe può semplificare la manutenzione stradale.

Fig. 3. Una crepa sulla strada. Fonte dell'immagine: Envato Elements.

Le crepe rilevate e segmentate tramite computer vision possono essere classificate in base alle dimensioni e suddivise in livelli di gravità basso, medio e alto. Questa classificazione aiuta i team di manutenzione a stabilire le priorità. Per esempio, si possono intervenire prima sulle crepe più gravi per prevenire cedimenti critici e migliorare la sicurezza stradale, mentre si possono programmare le riparazioni delle crepe di gravità media e bassa durante gli interventi successivi e i controlli di routine. In questo modo, il team di manutenzione può ottimizzare l'uso delle risorse, ridurre i costi di manutenzione e limitare i disagi per chi utilizza la strada.

Ispezione e monitoraggio strutturale#

Il rilevamento delle crepe può essere utilizzato anche per mantenere la qualità e la sicurezza di edifici e altre strutture. Come le strade, gli edifici possono sviluppare crepe a causa dei cambiamenti meteorologici, della fatica dei materiali e della normale usura. Anche i macchinari pesanti utilizzati durante la costruzione possono sollecitare ulteriormente le strutture, causando altre crepe.

Fig. 4. Utilizzo di un telefono cellulare per scattare foto e segmentare le crepe.

Individuando e affrontando le crepe con precisione, è possibile prolungare notevolmente la durata di edifici e strutture. I dati raccolti dai sistemi di rilevamento delle crepe possono inoltre contribuire a migliorare gli standard e le normative edilizie. Analizzando gli schemi e le cause delle crepe nei diversi progetti, gli esperti del settore possono sviluppare pratiche e materiali da costruzione migliori.

Rilevamento delle crepe nel settore petrolifero e del gas#

Nel settore petrolifero e del gas, il rilevamento delle crepe è essenziale per garantire la sicurezza e l'affidabilità di oleodotti e gasdotti, serbatoi di stoccaggio e altre infrastrutture fondamentali. Gli oleodotti e i gasdotti spesso si estendono per lunghe distanze e sono esposti a condizioni ambientali difficili, che possono causare variazioni di pressione e fatica dei materiali, con conseguente formazione di crepe. Tradizionalmente, le crepe vengono rilevate tramite dispositivi per l'ispezione delle tubazioni (pig), prove a ultrasuoni e radiografia. Se non vengono rilevate e riparate tempestivamente, possono causare problemi gravi, come perdite ed esplosioni. Le crepe in questo settore rappresentano un grave rischio per l'ambiente e per le persone.

Fig. 5. Operai ispezionano serbatoi di gas su un treno. Fonte dell’immagine: Envato Elements.

La segmentazione delle crepe tramite computer vision consente di monitorare costantemente le condizioni delle tubazioni. Individuando tempestivamente le crepe, i team di manutenzione possono effettuare riparazioni puntuali e prevenire potenziali disastri.

Ispezione automatizzata dei componenti di produzione#

L'ispezione automatizzata tramite segmentazione delle crepe sta trasformando il controllo qualità nella produzione. In passato, il rilevamento delle crepe veniva eseguito con controlli visivi, ispezioni con liquidi penetranti e ispezioni con particelle magnetiche. Integrando sistemi avanzati di acquisizione delle immagini e di computer vision nella linea di produzione, i produttori possono rilevare immediatamente anche le crepe e i difetti più piccoli nei componenti appena realizzati. Ogni componente può essere controllato per assicurarsi che rispetti standard qualitativi elevati prima di arrivare ai clienti.

L'ispezione automatizzata migliora precisione ed efficienza, fornendo riscontri in tempo reale che consentono ai team di produzione di risolvere rapidamente eventuali problemi. Riduce i costi limitando la necessità di ispezioni manuali ed evitando costosi richiami dei prodotti. Inoltre, questi sistemi raccolgono dati preziosi sui difetti, aiutando a individuare schemi ricorrenti e a migliorare i processi di produzione, per ottenere prodotti più sicuri e affidabili.

Fig. 6. Rilevamento di crepe in componenti metallici.

Vantaggi e svantaggi della segmentazione delle crepe#

Il rilevamento delle crepe tramite deep learning offre numerosi vantaggi, tra cui una maggiore sicurezza e decisioni basate sui dati. Vediamo alcuni degli altri vantaggi del rilevamento delle crepe negli ambienti industriali:

• Pratiche sostenibili: favorisce pratiche sostenibili di costruzione e manutenzione riducendo la necessità di riparazioni e sostituzioni estese, con un risparmio di materiali e risorse.
• Riduzione delle interruzioni: Programmare le riparazioni delle crepe meno gravi durante la manutenzione di routine aiuta a evitare gravi interruzioni delle attività e dell'utilizzo.
• Conformità alle normative: Aiuta a rispettare gli standard di settore e i requisiti normativi garantendo l'ispezione e la manutenzione regolari delle infrastrutture.

Nonostante i vantaggi, la segmentazione delle crepe presenta anche alcuni svantaggi. Gli elevati costi infrastrutturali iniziali possono essere un problema per le organizzazioni più piccole, mentre la complessità del sistema richiede formazione e manutenzione costanti. Ecco alcuni altri svantaggi dell'utilizzo della segmentazione delle crepe nelle applicazioni industriali:

• Falsi positivi e falsi negativi: Il sistema può identificare erroneamente le crepe o non rilevarle, causando riparazioni non necessarie o mancate.
• Difficoltà nella gestione dei dati: Vengono generati grandi volumi di dati, che richiedono strumenti affidabili per l'archiviazione e l'analisi.
• Fattori ambientali: Le condizioni esterne, come eventi meteorologici estremi o un'elevata umidità, possono influire sulla precisione e sull'affidabilità dei sistemi di segmentazione delle crepe.
• Integrazione con i sistemi esistenti: Integrare la tecnologia di rilevamento delle crepe con le infrastrutture e i sistemi esistenti può essere complesso e richiedere modifiche o aggiornamenti aggiuntivi.

Punti chiave#

La segmentazione e il rilevamento delle crepe possono svolgere un ruolo fondamentale nel mantenere sicure e durevoli le nostre infrastrutture industriali. Utilizzando tecnologie avanzate come il deep learning e la computer vision, possiamo individuare tempestivamente i problemi strutturali e risolverli prima che diventino gravi. Questo approccio proattivo fa risparmiare tempo e denaro e aiuta a rispettare gli standard di sicurezza e normativi. Inoltre, favorisce pratiche sostenibili riducendo al minimo la necessità di riparazioni estese. Nonostante alcune difficoltà, come gli elevati costi iniziali e la complessità, i vantaggi della segmentazione delle crepe nei vari settori la rendono uno strumento prezioso per mantenere e migliorare la qualità delle infrastrutture.

Per saperne di più sull'AI, visita il nostro repository GitHub e partecipa alla nostra community. Scopri le applicazioni dell'AI nella produzione e nell'agricoltura nelle nostre pagine dedicate alle soluzioni.