Integrating acoustic tapping with a UAV platform for tile condition classification

Resumen Técnico: Integración de Golpes Acústicos con una Plataforma UAV para la Clasificación del Estado de Baldosas

Enunciado del Problema
La integridad estructural de las baldosas de los edificios es crítica para la seguridad pública, sin embargo, los métodos tradicionales de inspección enfrentan limitaciones significativas. Las inspecciones visuales, ya sean manuales o basadas en visión por computadora, a menudo se limitan a una evaluación superficial, son susceptibles a restricciones de iluminación y accesibilidad, y tienen dificultades para detectar defectos subsuperficiales como la delaminación. Aunque los Vehículos Aéreos No Tripulados (UAV) ofrecen una solución prometedora para la evaluación rápida de fachadas, su integración con la prueba de golpes acústicos —un método fiable para detectar defectos internos— introduce un desafío crítico: las perturbaciones dinámicas inducidas por el UAV. Las vibraciones inherentes al vuelo del dron degradan la fiabilidad de las señales acústicas, y la magnitud de esta degradación, junto con los métodos para corregirla, permanece en gran medida sin cuantificar en las metodologías actuales de inspección automatizada.

Metodología
El estudio propone un marco experimental controlado para aislar y cuantificar los efectos de las vibraciones inducidas por el UAV en la fiabilidad de la prueba de golpes acústicos, seguido del desarrollo de un método de corrección de señales.

• Hardware y Configuración: La investigación utiliza un dispositivo de prueba de golpes de construcción personalizada que cuenta con un mecanismo de manivela-balancín accionado por un motor de corriente continua para garantizar una energía de impacto, dirección y frecuencia consistentes, eliminando la subjetividad humana. Los datos acústicos se capturan de forma inalámbrica mediante un grabador TASCAM DR-44WL. Para simular la dinámica de vuelo del UAV sin la complejidad del vuelo real, se emplea una plataforma Stewart (hexápodo) para reproducir condiciones oscilatorias controladas (Cabeceo, Guiñada, Alabeo) con amplitudes variables (1°, 3° y 5°) derivadas de una caracterización previa del vuelo del UAV utilizando sistemas de captura de movimiento Vicon.
• Ejemplares: Se realizaron pruebas de laboratorio en especímenes de baldosas montados sobre bloques de hormigón. Los defectos se simularon aplicando adhesivo solo al 50% de la superficie de la baldosa, creando condiciones de "parcialmente adherida" (no saludable) frente a "totalmente adherida" (saludable).
• Procesamiento de Señales y Clasificación:
  • Filtrado Basado en Energía: Se introduce un flujo de trabajo de procesamiento de señales basado en la energía. Basado en el teorema de Parseval, el método segmenta las series temporales acústicas, calcula la Densidad Espectral de Potencia (PSD) y aplica umbrales de energía de banda limitada. Este enfoque filtra los artefactos de baja y alta amplitud asociados con las vibraciones ambientales, preservando al mismo tiempo las características acústicas del impacto mecánico.
  • Reducción de Dimensionalidad y Agrupamiento: Se aplica el Análisis de Componentes Principales (PCA) para reducir la dimensionalidad de los datos acústicos inalámbricos, reteniendo los componentes que explican al menos el 90% de la varianza. Posteriormente, se utiliza el agrupamiento K-means para agrupar los datos transformados.
  • Clasificación: Se entrena un clasificador de árbol de decisión sobre los datos reducidos por PCA para distinguir entre condiciones de baldosas saludables y no saludables. El rendimiento se evalúa utilizando métricas estándar: Precisión, Valor Predictivo Negativo (VPN), Recall (Sensibilidad), Especificidad y Exactitud.

Resultados Clave

• Impacto de la Vibración: Bajo condiciones ideales (0° de vibración), el modelo de clasificación logró una exactitud perfecta (1.00). Sin embargo, a medida que aumentó la amplitud de la vibración, el rendimiento se degradó significativamente. En amplitudes de 3° y 5°, la exactitud disminuyó a 0.77 y 0.72, respectivamente, con una pérdida notable en la sensibilidad (Recall), lo que indica que el modelo tuvo dificultades para identificar baldosas defectuosas entre el ruido de la vibración.
• Eficacia de la Corrección: El método de filtrado basado en energía propuesto mitigó con éxito los efectos negativos de la vibración. Al preservar selectivamente eventos acústicos físicamente significativos y suprimir artefactos relacionados con el movimiento, el método restauró la exactitud de la clasificación por encima del 98% (específicamente 0.99) incluso en el nivel de vibración más alto (5°).
• Separación de Características: La visualización del PCA demostró que, aunque la vibración causó dispersión de datos y desplazó los límites de los grupos, el método basado en energía mantuvo una separación clara entre los grupos saludables y no saludables, evitando la superposición observada en los datos no corregidos.

Significado y Afirmaciones
Los autores afirman que este trabajo establece una etapa de validación previa al campo necesaria para los sistemas de inspección robótica de fachadas. La contribución principal es la cuantificación de la degradación acústica inducida por el movimiento y la demostración de que un enfoque de corrección de señales basado en energía puede mitigar sistemáticamente estos efectos. El estudio afirma que, si bien las vibraciones inducidas por el UAV distorsionan significativamente las distribuciones de características acústicas, el marco propuesto permite una detección robusta de daños en entornos dinámicos.

El artículo sitúa esta investigación como un puente entre las pruebas acústicas de laboratorio y las aplicaciones de UAV en el mundo real. Enfatiza que el método automatiza la prueba tradicional con martillo y proporciona un enfoque escalable para la monitorización ecoacústica. Los autores notan modestamente que, si bien los resultados son robustos bajo condiciones de laboratorio controladas con trayectorias predefinidas, se requiere trabajo futuro para validar estos hallazgos frente a factores ambientales del mundo real, como ráfagas de viento y variaciones térmicas. El estudio concluye que la integración de sistemas de estabilización física y la extensión del marco a modelos de mayor complejidad son los siguientes pasos lógicos para la implementación en campo.