⚡ electrical engineering

SDF-Guided 3D Reconstruction of Irregular GPR Responses to Interlayer Voids beneath Airport Runways

Este estudio presenta un flujo de trabajo de reconstrucción 3D guiado por SDF que integra YOLO11-seg para la segmentación de la respuesta de GPR e interpolación de campo de distancia con signo para generar representaciones volumétricas continuas y libres de artefactos de los vacíos entre capas debajo de las pistas de aeropuertos, abordando eficazmente los desafíos planteados por las respuestas irregulares y el muestreo disperso.

Autores originales: Xiaodong Wang, Peijian Song, Ruotong Wang, Anthony J Taplah, Hongwei Li, Han Xu, Xiaoling Zhang, Jun Zhang

Publicado 2026-09-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xiaodong Wang, Peijian Song, Ruotong Wang, Anthony J Taplah, Hongwei Li, Han Xu, Xiaoling Zhang, Jun Zhang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Bajo la superficie lisa y gris de una pista de aterrizaje de un aeropuerto se esconde un mundo de capas, donde las losas de concreto descansan sobre bases y subrasantes. Con el tiempo, el agua y las cargas pesadas de las aeronaves pueden provocar que estas capas se separen, creando espacios vacíos o huecos entre ellas. Estos huecos ocultos son peligrosos; debilitan el pavimento, provocando grietas, asentamientos desiguales y posibles fallas bajo el peso de un jet al aterrizar. Para encontrar estas amenazas invisibles sin levantar la pista, los ingenieros utilizan el radar de penetración terrestre. Esta tecnología envía ondas electromagnéticas hacia el suelo y escucha los ecos que rebotan desde los cambios en el material. Cuando las ondas golpean un vacío, regresan con una señal distinta, creando una imagen bidimensional conocida como B-scan. Sin embargo, una sola imagen es solo una rebanada. Para comprender verdaderamente el tamaño y la forma de un problema oculto, los ingenieros necesitan verlo en tres dimensiones. El desafío es que los datos del radar se recolectan a menudo en una cuadrícula dispersa e irregular, lo que dificulta la unión de estas rebanadas planas para formar un modelo 3D suave y continuo sin crear errores de escalonamiento dentados que distorsionen la realidad del defecto.

Un equipo de investigadores ha desarrollado un nuevo método para resolver este problema específico, convirtiendo las dispersas rebanadas de radar en una imagen tridimensional clara y continua de las anomalías debajo de las pistas de los aeropuertos. Su enfoque, detallado en un estudio reciente, se centra en una técnica llamada interpolación de campo de distancia con signo. En lugar de intentar adivinar la forma física exacta del vacío —lo cual es imposible de conocer solo a partir de los ecos del radar—, primero crean un mapa preciso de la propia señal del radar. Tratan la respuesta del radar como un objeto distinto, separado del hueco físico real, y luego utilizan un proceso de suavizado matemático para llenar los espacios entre los escaneos de radar ampliamente espaciados. Este proceso efectivamente "densifica" los datos, creando una transición fluida entre las rebanadas en lugar de una pila de bloques escalonados. El resultado es una representación 3D suave y continua de la anomalía electromagnética, que sirve como una guía confiable de dónde deben buscar los ingenieros el daño físico real.

Los investigadores comenzaron entrenando un poderoso sistema de inteligencia artificial para reconocer estas señales de radar. Alimentaron al sistema con miles de imágenes de radar, enseñándole a dibujar un contorno digital, o máscara, alrededor de las áreas donde el radar indicaba un posible vacío. Utilizando una versión específica de un modelo de aprendizaje profundo, el sistema identificó con éxito estas formas irregulares con alta precisión, delineando correctamente la respuesta del radar en más del 85 por ciento de los casos de prueba. Este paso fue crucial porque convirtió los datos brutos y ruidosos del radar en formas limpias y definidas que podían procesarse más adelante. Sin embargo, estas formas existían solo en los puntos específicos donde la antena de radar había pasado, dejando grandes brechas entre ellas. Si los investigadores simplemente hubieran apilado estos contornos 2D uno sobre otro para crear un modelo 3D, los lados del objeto resultante parecerían una escalera dentada, con escalones bruscos y antinaturales entre cada línea de escaneo. Este "efecto de escalera" habría dificultado la percepción de la verdadera forma y tamaño de la anomalía.

Para solucionar esto, el equipo introdujo un ingenioso paso de suavizado. Tomaron los contornos digitales de dos escaneos de radar adyacentes y calcularon la distancia desde cada punto en el espacio entre ellos hasta el borde más cercano de los contornos. Al interpolar, o mezclar, estos valores de distancia, generaron una serie de nuevos contornos intermedios que se transformaban gradualmente desde la forma del primer escaneo hacia la forma del segundo. Esto creó una transición suave y continua entre los puntos de datos ampliamente espaciados. Cuando combinaron todas estas capas suavizadas, utilizaron una técnica estándar de gráficos por computadora para extraer la superficie final, resultando en un modelo 3D que fluye naturalmente de un extremo al otro. En sus pruebas, este método redujo la distancia efectiva entre las rebanadas de datos de 48 milímetros a 12 milímetros, borrando efectivamente los artefactos visibles de escalonamiento y revelando una forma mucho más realista y continua.

Los investigadores fueron cuidadosos al distinguir entre lo que habían reconstruido y lo que realmente existe en el suelo. Enfatizaron que su modelo 3D representa la "cuerpo de la anomalía electromagnética equivalente", que es la forma de la señal de radar, no necesariamente la geometría física exacta del vacío. La señal de radar puede verse influenciada por muchos factores, como el tipo de suelo, el contenido de humedad y la forma de la antena, lo que significa que la señal podría ser ligeramente mayor o estar desplazada respecto al hueco físico real. Por lo tanto, el modelo no debe interpretarse como un mapa preciso de los límites del defecto físico. En cambio, sirve como una guía altamente precisa de la ubicación y la extensión general del problema. El equipo demostró este flujo de trabajo utilizando tanto simulaciones por computadora como datos del mundo real de una pista de un aeropuerto. En el caso del mundo real, lograron integrar con éxito el modelo 3D reconstruido en el sistema de coordenadas de la pista, proporcionando a los ingenieros una vista espacialmente referenciada de la anomalía que podría usarse para planificar inspecciones o reparaciones dirigidas.

Este trabajo no pretende haber resuelto el problema de medir el volumen exacto de un vacío oculto, ni sugiere que la forma reconstruida sea una réplica perfecta del defecto físico. El estudio establece explícitamente que la relación entre el tamaño de la señal de radar y el tamaño del vacío real aún no se comprende o calibra completamente. El logro principal es la creación de un proceso confiable de extremo a extremo que transforma los datos de radar dispersos y dentados en una visualización 3D suave y continua. Esto permite a los ingenieros ver la "forma" del problema en tres dimensiones por primera vez, ofreciendo una imagen mucho más clara de dónde se encuentra el daño y cómo se propaga a través de las capas del pavimento. Al proporcionar una representación continua y libre de artefactos de la respuesta del radar, el método otorga a los equipos de mantenimiento de los aeropuertos una nueva herramienta poderosa para visualizar riesgos ocultos y planificar sus próximos pasos con mayor confianza, incluso si las dimensiones físicas finales del vacío aún requieren mayor investigación.

Resumen Técnico: Reconstrucción 3D Guiada por SDF de Respuestas de GPR Irregulares ante Vacíos de Intercapa bajo Pistas de Aeropuertos

Planteamiento del Problema
Las pistas de aeropuertos rígidas suelen sufrir vacíos de intercapa, los cuales comprometen el soporte de la losa y provocan bombeo, deformación y agrietamiento. Si bien el Georradar (GPR) de arreglo montado en vehículos permite una inspección rápida y no destructiva, los datos registrados representan respuestas electromagnéticas en lugar de imágenes directas de las interfaces de los vacíos. La reconstrucción de estas respuestas en una representación 3D continua enfrenta dos desafíos primarios:

Irregularidad: Las regiones de respuesta relacionadas con vacíos son no convexas e irregulares, lo que las hace inadecuadas para el ajuste con primitivas geométricas regulares (por ejemplo, cilindros o esferas).
Muestreo Anisotrópico: Los sistemas de GPR de arreglo muestrean densamente a lo largo de la trayectoria, pero de forma dispersa entre canales. El apilamiento directo de máscaras de segmentación 2D de canales discretos resulta en artefactos de "escalonamiento" en las superficies laterales, fallando en proporcionar una representación métrica continua.

Los métodos existentes suelen depender de observaciones volumétricas densas o asumen geometrías de objetivos regulares, los cuales son insuficientes para el muestreo disperso y anisotrópico típico de las inspecciones de pistas. Además, existe una falta de marcos de trabajo que distingan explícitamente entre la geometría de la respuesta electromagnética reconstruida y la geometría física del vacío desconocida.

Metodología
El estudio propone un flujo de trabajo de extremo a extremo de "rebanada a volumen" que transforma máscaras de respuesta GPR 2D muestreadas de forma dispersa en una representación 3D continua sin imponer supuestos geométricos regulares. El flujo de trabajo consta de tres etapas principales:

Extracción de Máscaras de Respuesta:
- Se utilizó un conjunto de datos de 800 imágenes B-scan (derivadas de simulaciones y datos de campo) dividido en subconjuntos de entrenamiento, validación y prueba.
- Se seleccionó YOLO11-seg para la segmentación de instancias con el fin de extraer las máscaras de respuesta ( $M_{pred}$ ) de los B-scans. Se eligió por su equilibrio entre rendimiento (mIoU ~85%) y eficiencia de parámetros en comparación con otros modelos como U-Net o YOLO26-seg.
- Se aplicó la aumentación CutMix únicamente al conjunto de entrenamiento para aumentar la variabilidad.
Interpolación Implícita Guiada por SDF:
- Para abordar los artefactos de escalonamiento causados por el muestreo transversal disperso, las máscaras binarias se convierten en Campos de Distancia con Signo (SDF). El SDF representa la distancia euclidiana a la frontera de la máscara, con valores negativos en el interior y positivos en el exterior.
- En lugar de interpolar etiquetas binarias, los SDF de canales adyacentes se interpolan linealmente en posiciones intermedias transversales.
- Estos campos interpolados se someten a un umbral en el nivel cero para generar máscaras transicionales. Este proceso densifica el volumen computacionalmente (por ejemplo, reduciendo el intervalo efectivo de 48 mm a 12 mm mediante la inserción de tres rebanadas intermedias) sin pretender añadir nuevas mediciones físicas.
Extracción de Superficie y Embebido de Coordenadas:
- Se aplica el algoritmo Marching Cubes al volumen de ocupación binaria densificado para extraer una isosuperficie triangular ( $\partial\Omega_e$ ).
- La malla resultante se mapea desde índices de imagen/tiempo a coordenadas métricas aproximadas de la pista utilizando posicionamiento RTK y datos de codificadores de rueda (wheel encoders).
- El resultado final se define como un Cuerpo de Anomalía Electromagnética Equivalente ( $\Omega_e$ ), distinto del vacío físico ( $\Omega_p$ ).

Contribuciones Clave
El artículo realiza tres contribuciones metodológicas específicas:

Flujo de Trabajo de Extremo a Extremo: Establece un pipeline completo que integra la segmentación de B-scan, la densificación transversal basada en SDF, la extracción de superficie por Marching Cubes y el embebido de coordenadas métricas aproximadas para datos de GPR de arreglo.
Estrategia de Interpolación Guiada por SDF: Introduce un método para generar transiciones graduales entre máscaras de respuesta dispersas. Esto reduce los artefactos visibles de escalonamiento mientras preserva la morfología irregular y no paramétrica de la respuesta, evitando los supuestos restrictivos del ajuste de primitivas geométricas.
Marco de Interpretación Física: Distingue explícitamente el "cuerpo de anomalía electromagnética equivalente" reconstruido de la geometría física real del vacío. El estudio aclara que el volumen y la huella reconstruidos son descriptores de la respuesta y no deben interpretarse como la geometría del defecto físico validada ni utilizarse directamente para la estimación de la capacidad estructural sin validación adicional.

Resultados

Rendimiento de Segmentación: En el subconjunto de prueba interno a nivel de imagen, YOLO11-seg logró una Intersección sobre Unión media (mIoU) del 85.01%, una Precisión de Píxel media (mPA) del 92.46% y un coeficiente Dice de primer plano de 0.84.
Reducción de Artefactos: La comparación cualitativa demostró que la interpolación guiada por SDF redujo significamente las superficies laterales con aspecto de escalón observadas en el apilamiento directo de máscaras. La inserción de tres rebanadas SDF intermedias suavizó visiblemente las transiciones entre canales.
Demostración del Flujo de Trabajo:
- Una simulación FDTD ilustrativa mostró la capacidad del flujo de trabajo para posicionar el cuerpo reconstruido cerca de una anomalía irregular prescrita, aunque no se reportaron métricas de error cuantitativas (centroide, volumen) debido a la indisponibilidad de la geometría de vóxeles original para el registro.
- Un caso de campo en un aeropuerto civil demostró la ejecución de extremo a extremo, embebiendo con éxito el cuerpo de la anomalía reconstruida en las coordenadas de la pista y generando una huella de verificación de plano de vista ( $Z_v$ ).

Significancia y Declaraciones
El artículo posiciona su contribución como un estudio de viabilidad metodológica más que como una solución de campo validada estadísticamente.

Alcance: El estudio establece un flujo de trabajo para convertir datos de GPR dispersos y anisotrópicos en una representación de respuesta 3D continua. Establece explícitamente que el cuerpo reconstruido ( $\Omega_e$ ) representa una morfología de respuesta de GPR continua, no una geometría de vacío físico validada.
Utilidad: El cuerpo 3D reconstruido y su proyección en plano sirven como descriptores referenciados espacialmente para la visualización de anomalías y la planificación de zonas candidatas (por ejemplo, para extracciones de núcleos dirigidas o repetir sondeos).
Limitaciones: Los autores reconocen que el estudio no establece una relación monótona entre el volumen del vacío físico y el volumen reconstruido. La validación se limita a métricas internas a nivel de imagen y demostraciones cualitativas del flujo de trabajo. El artículo no pretende recuperar la verdadera frontera física, el centroide o el volumen del vacío, ni afirma la generalización entre diferentes aeropuertos. Se identifica la necesidad de trabajos futuros para introducir una geometría de referencia 3D controlada para la evaluación cuantitativa de la precisión de la interpolación y la recuperación de defectos físicos.

Más como este