Un nuovo studio internazionale basato sull’architettura DinoV2 rivoluziona lo Structural Health Monitoring, superando i limiti del deep learning tradizionale grazie a una capacità di generalizzazione senza precedenti e riducendo drasticamente i tempi delle ispezioni visive.
Il monitoraggio dello stato di salute delle infrastrutture viarie rappresenta oggi una priorità assoluta per garantire la durabilità delle opere e la sicurezza dei cittadini. Ponti e strutture storiche sono costantemente soggetti a fenomeni di fessurazione che, se trascurati, rischiano di compromettere la stabilità stessa delle costruzioni.
Fino ad oggi, il metodo principale per l’individuazione di tali difetti è rimasto l’ispezione visiva manuale, una procedura che tuttavia si rivela costosa, lenta, laboriosa, soggetta a errore umano e talvolta persino pericolosa per gli operatori che devono raggiungere pareti degradate o altezze elevate.
In questo scenario, lo Structural Health Monitoring sta vivendo una profonda trasformazione grazie all’integrazione di sensori, robotica e intelligenza artificiale. Sebbene l’introduzione del deep learning e delle reti neurali abbia già permesso di classificare le fessurazioni con alta accuratezza, i modelli supervisionati tradizionali si scontrano con un limite operativo importante: richiedono l’addestramento su enormi quantità di immagini etichettate manualmente.
La creazione di questi dataset comporta costi e tempi significativi, senza contare la perdita di efficacia dei modelli quando applicati a superfici diverse da quelle di addestramento o il problema dello sbilanciamento dei dati, che porta gli algoritmi standard a ignorare i difetti veri e propri a favore delle ben più numerose superfici integre.
Una risposta concreta arriva da una ricerca collaborativa condotta dalla University of Technology Sydney, dalla Western Sydney University, dalla American University of Beirut e dall’Institute of Automation della Chinese Academy of Sciences. Lo studio, intitolato “Autonomous Detection of Concrete Cracks Using Self-supervised DinoV2” e pubblicato su Machine Intelligence Research, introduce un modello di intelligenza artificiale auto-supervisionato chiamato DinoV2, capace di riconoscere le crepe nel calcestruzzo anche in presenza di pochissimi dati annotati.
A differenza dei sistemi tradizionali, DinoV2 non necessita della supervisione di esempi già classificati dall’uomo. Basato sulla tecnologia dei Vision Transformer, il modello ridimensiona le immagini a 224 × 224 pixel e le suddivide in piccole porzioni denominate patch. Attraverso l’analisi di queste porzioni, l’algoritmo riesce a valutare sia i dettagli locali come linee, bordi e trame, sia le relazioni spaziali complessive all’interno dell’immagine. Le informazioni raccolte vengono poi elaborate da una testa di classificazione lineare che determina l’assenza o la presenza della fessura, riducendo al minimo i pericolosi falsi negativi.
I test comparativi effettuati con modelli supervisionati ampiamente diffusi hanno confermato la netta superiorità di DinoV2. In particolare, sui dataset SDNET2018 e HBC2019, l’apprendimento auto-supervisionato ha registrato F1-score nettamente più elevati, dimostrando un’efficacia straordinaria proprio nei contesti reali caratterizzati da forte sbilanciamento dei dati e da rumore visivo.
La vera forza di questa tecnologia risiede nella sua robustezza e capacità di generalizzazione: pre-addestrato a riconoscere diverse trasformazioni delle immagini, DinoV2 mantiene prestazioni estremamente affidabili anche quando variano i materiali, le superfici e le condizioni ambientali, adattandosi a configurazioni di crepe mai osservate in precedenza.
Nonostante gli eccellenti risultati, i ricercatori evidenziano che sussistono ancora margini di miglioramento. Proprio a causa della sua natura auto-supervisionata, che scava nelle strutture profonde dei dati senza vincoli di etichette umane, il modello può talvolta soffrire di distrazioni visive, concentrando l’attenzione su aree non danneggiate ma esteticamente simili a fessure.
Le prossime attività di ricerca si focalizzeranno quindi sull’affinamento del meccanismo di estrazione delle caratteristiche per azzerare tali distrazioni e incrementare la precisione sul campo. La strada tracciata da DinoV2 apre comunque una nuova era per la diagnostica ingegneristica strutturale, promettendo ispezioni dei ponti più rapide, automatizzate, ripetibili e decisamente più sicure.
> Resta sempre aggiornato: iscriviti alla Newsletter settimanale di Strade & Autostrade e seguici sulle nostre pagine social di LinkedIn e Facebook <