Resumen Técnico: SlumpGuard

Planteamiento del Problema

La trabajabilidad del concreto es un determinante crítico de la calidad en la construcción, evaluada tradicionalmente mediante la prueba de asentamiento (slump) manual. Sin embargo, este método convencional es laborioso, consume mucho tiempo y depende altamente de la subjetividad del operador. Los estándares actuales de la industria, como la Especificación de Construcción Coreana (KCS 14 20 10), a menudo exigen únicamente inspecciones intermitentes (por ejemplo, una vez al día o cada 120 metros cúbicos), lo que deja sin detectar las desviaciones de calidad durante la mezcla, el transporte o la colocación hasta después del vertido.

Las soluciones automatizadas existentes enfrentan barras significativas de despliegue. Los enfoques basados en sensores requieren la instalación intrusiva de hardware y calibración, lo cual suele estar restringido por las regulaciones en sitio y la variabilidad del equipo. Los métodos previos basados en visión han tenido dificultades con la aplicabilidad en el mundo real: los sistemas de visión estéreo a menudo requieren pruebas repetidas en el sitio que no forman parte de los flujos de trabajo rutinarios, mientras que las cámaras montadas en la mezcladora son propensas a la contaminación por polvo y lechada. Además, los marcos de trabajo basados únicamente en imágenes no logran capturar las características dinámicas y de flujo esenciales para una estimación precisa del asentamiento.

Metodología

Los autores proponen SlumpGuard, un sistema de visión totalmente autónomo basado únicamente en cámaras, diseñado para el despliegue en sitios reales. El sistema utiliza una única cámara fija para analizar el flujo de descarga natural de la canaleta de un camión mezclador, eliminando la necesidad de sensores, instalación de hardware o intervención manual. La arquitectura se estructura como un pipeline modular de tres etapas:

1. Detección de la Canaleta (Etapa 1)

Para manejar videos de sitio no restringidos con fondos variables y rotaciones de la canaleta, el sistema emplea YOLOv8, un modelo de detección de objetos de vanguardia preentrenado en el conjunto de datos DOTA para la detección de objetos orientados.

• Mecanismo: El modelo predice tanto cajas delimitadoras alineadas con los ejes ("Unrotated Chute") como cajas rotadas ("Chute") para localizar el área de descarga.
• Optimización: Para mejorar la eficiencia, si el detector identifica la misma región durante más de 8 fotogramas, se detiene la inferencia y la Región de Interés (RoI) se fija mediante el promedio de las coordenadas. El sistema luego recorta el interior de la canaleta, separando los flujos de descarga izquierdo ($V_L$) y derecho ($V_R$) para su análisis posterior.

2. Detección del Evento de Vertido (Etapa 2)

Esta etapa determina cuándo y desde qué canaleta comienza a fluir el concreto, filtrando segmentos de video irrelevantes.

• Mecanismo: El sistema aplica el algoritmo de flujo óptico disperso de Lucas-Kanade para rastrear los vectores de movimiento en el centro de las cajas delimitadoras detectadas de la canaleta.
• Lógica: Al analizar el desplazamiento del punto central rastreado en relación con el borde inferior de la caja delimitadora rotada, el sistema identifica el momento preciso en que el concreto cruza el umbral. Este procesamiento de "puerta de movimiento" asegura que solo los fotogramas que contienen la descarga real sean pasados al módulo de clasificación.

3. Predicción de Asentamiento y Detección de Anomalías (Etapa 3)

Una vez detectado el inicio del flujo, un módulo de clasificación de video estima la categoría de asentamiento.

• Arquitectura: El sistema utiliza backbones de ResNet 3D, evaluando específicamente las variantes de Convolución Mixta (MC) y (2+1)D para capturar características espaciotemporales. Se seleccionó la arquitectura (2+1)D-18 como la óptima.
• Estrategia de Entrenamiento: La tarea se enmarca como un problema de clasificación con cinco intervalos categóricos (por ejemplo, 150–180 mm, 180–210 mm) basados en los estándares KS F 4009. Para manejar el desequilibrio de datos y la variabilidad ambiental, los autores emplearon una extensa aumentación de datos (ColorJitter, Corrección de Gamma, MixUp, CutMix) y entrenamiento de etiquetas suaves (soft-label training) mediante suavizado de etiquetas.
• Inferencia: Las predicciones se realizan sobre ventanas sucesivas de $N$ fotogramas. La categoría final de asentamiento se determina mediante votación por mayoría sobre $T$ ciclos de inferencia para asegurar la estabilidad. El resultado se compara contra la especificación ordenada para activar alertas de anomalía.

Contribuciones Clave

1. Diseño del Sistema: Introducción de un pipeline no intrusivo, basado solo en cámaras, que se integra perfectamente en los flujos de trabajo de construcción existentes sin requerir modificaciones de hardware en los camiones mezcladores.
2. Construcción del Dataset: Creación de un dataset replicado en sitio que comprende 6,443 clips de video (de 10 segundos cada uno) capturados bajo condiciones controladas que imitan entornos de construcción reales. El dataset incluye etiquetas de verdad de campo precisas para la localización de la canaleta y los valores de asentamiento, con anotaciones para cajas delimitadoras tanto rotadas como no rotadas.
3. Pipeline Modular: Un enfoque de tres etapas que desacopla la localización, la detección de eventos y la clasificación, mejorando la interpretabilidad y permitiendo el refinamiento dirigido de componentes específicos.
4. Validación por Expertos: Un estudio comparativo que involucra a 11 expertos en la materia (con más de 15 años de experiencia) para comparar la estimación visual humana frente al sistema automatizado.

Resultados

El sistema fue evaluado en el dataset construido y a través de estudios de expertos:

• Detección de la Canaleta: Logró un promedio de precisión (mAP50-95) de 0.9945 y una precisión de 0.995, con una velocidad de inferencia de 9.0 ms por fotograma, confirmando su idoneidad para aplicaciones en tiempo real.
• Detección de Vertido: El método basado en flujo óptico logró una precisión general superior al 90% en la identificación de la canaleta activa y el inicio del flujo. La precisión alcanzó el 100% en escenarios de "sin vertido". Se observaron errores menores en condiciones específicas (por ejemplo, sombras en la canaleta derecha o valores de asentamiento extremadamente altos >240 mm que causan un flujo fluido más difícil de rastrear).
• Predicción de Asentamiento: El modelo optimizado (2+1)D-18 logró una precisión del 82.26% y un F1-score de 0.8691 en el conjunto de prueba. Los estudios de ablación confirmaron que la combinación de suavizado de etiquetas, muestreo ponderado y MixUp mejoró significamente el rendimiento.
• Comparación con Expertos: En una evaluación ciega de 10 muestras de video, los expertos humanos identificaron correctamente el rango de asentamiento real solo en el 9.1% al 45.5% de los casos, sin que ninguna muestra recibiera un acuerdo unánime. En contraste, SlumpGuard proporcionó predicciones correctas para todas las muestras evaluadas, resaltando la inconsistencia de la estimación visual humana.

Significado y Reivindicaciones

El artículo afirma que SlumpGuard ofrece una alternativa confiable y lista para el campo a los métodos de inspección convencionales manuales o dependientes de sensores. Su importancia radica en:

• Monitoreo Continuo: Permite un control de calidad a nivel de lote y en tiempo real, en lugar de inspecciones puntuales intermitentes.
• Objetividad: Aborda la subjetividad inherente y la variabilidad entre operadores de la estimación visual humana, como lo demuestra el estudio de expertos.
• Capacidad de Despliegue: Proporciona una solución ligera que no requiere la instalación de hardware especializado, superando así los obstáculos regulatorios y logísticos que han limitado los enfoques automatizados previos.

Los autores posicionan a SlumpGuard no como un reemplazo para todas las medidas de control de calidad, sino como una herramienta robusta para la verificación continua que apoya la toma de decisiones en tiempo real durante la colocación del concreto, contribuyendo finalmente a una calidad de construcción más consistente.