Detecção e representação multiclasse de danos e manifestações patológicas em concreto com inteligência artificial e escaneamento para modelagem BIM

Abstract

Tradicionalmente, inspeções estruturais são realizadas manualmente, mas o gerenciamento de ativos requer alto custo e recursos especializados, especialmente devido à falta de padronização e histórico documentado dos dados. Os avanços em visão computacional e aprendizado profundo têm melhorado o trabalho de inspeções, permitindo a detecção precisa de danos e a previsão de falhas potenciais. Essas tecnologias podem detectar danos com precisão, mas os métodos atuais ainda dependem de grandes conjuntos de dados de alta qualidade, que são caros e exigem especialização. Para superar essas limitações, propõe-se um fluxo de trabalho automatizado para inspeções estruturais com escaneamentos LiDAR. O processo inclui o uso de redes neurais convolucionais (CNN) refinadas para detectar e segmentar múltiplas classes de danos estruturais em imagens e nuvens de pontos, utilizando análises em ortoprojeções multiangulares. Esse método otimiza as etapas de projeto, operação e manutenção com o apoio da metodologia de Modelagem da Informação da Construção (BIM). Inicialmente, foi desenvolvido um modelo de detecção de objetos baseado na arquitetura You Only Look Once (YOLO) aprimorada, adaptada para cinco classes de manifestações patológicas (eflorescência, armadura exposta, manchas de corrosão, desplacamento de concreto e fissuras). O modelo atingiu valores de precisão (0,946), recall (0,916), mAP50 (0,951) e mAP50-95 (0,892), além de transferir a aprendizagem para o Segment Anything Model (SAM) para uma segmentação instanciada dos danos. Sequencialmente, o estudo avaliou cinco amostragens de escaneamentos em LiDAR, e validou um processo de modelagem automatizada do BIM das detecções, e seu posterior mapeamento pelo formato Industry Foundation Classes (IFC) 4.3, em linguagem de programação Python. Este trabalho contribui com um conjunto de 40 mil imagens e modelos de aprendizado profundo, estabelecendo uma base para inspeções estruturais e aprimoramento de modelos de visão computacional na construção civil. Apresenta um processo de variadas classes de danos e manifestações patológicas em uma só ferramenta, desde a identificação em nuvens de pontos até a criação automatizada de modelos BIM com dados IFC, facilitando as inspeções e o registro histórico. A pesquisa impulsiona a automação de processos como scanto-BIM e gêmeos digitais, apoiando a decisão do inspetor e contribuindo para a manutenção preditiva e gestão inteligente das estruturas ao longo de seu ciclo de vida.