Integrating acoustic tapping with a UAV platform for tile condition classification

Resumo Técnico: Integração de Teste de Batida Acústica com uma Plataforma de UAV para Classificação do Estado de Telhas

Declaração do Problema
A integridade estrutural das telhas de edifícios é crítica para a segurança pública, contudo os métodos tradicionais de inspeção enfrentam limitações significativas. As inspeções visuais, sejam manuais ou baseadas em visão computacional, são frequentemente restritas a avaliações de superfície, são suscetíveis a restrições de iluminação e acessibilidade e têm dificuldade em detectar defeitos subsuperficiais, como a descolagem. Embora os Veículos Aéreos Não Tripulados (UAVs) ofereçam uma solução promissora para avaliação rápida de fachadas, a sua integração com o teste de batida acústica — um método confiável para deteção de defeitos internos — introduz um desafio crítico: perturbações dinâmicas induzidas pelo UAV. As vibrações inerentes ao voo do drone degradam a fiabilidade dos sinais acústicos, e a extensão dessa degradação, juntamente com métodos para a corrigir, permanece em grande parte não quantificada nas metodologias atuais de inspeção automatizada.

Metodologia
O estudo propõe um quadro experimental controlado para isolar e quantificar os efeitos das vibrações induzidas pelo UAV na fiabilidade do teste de batida acústica, seguido pelo desenvolvimento de um método de correção de sinal.

• Hardware e Configuração: A pesquisa utiliza um dispositivo de teste de batida personalizado, equipado com um mecanismo de manivela-balancim acionado por um motor de corrente contínua para garantir energia, direção e frequência de impacto consistentes, eliminando a subjetividade humana. Os dados acústicos são capturados sem fios através de um gravador TASCAM DR-44WL. Para simular a dinâmica de voo do UAV sem a complexidade do voo real, emprega-se uma plataforma Stewart (hexápode) para reproduzir condições oscilatórias controladas (Rolagem, Arfagem, Guinada) com amplitudes variáveis (1°, 3° e 5°) derivadas de caracterizações anteriores de voo de UAV utilizando sistemas de captura de movimento Vicon.
• Especimens: Ensaios laboratoriais foram realizados em espécimes de telhas montados em blocos de betão. Os defeitos foram simulados aplicando adesivo apenas em 50% da superfície da telha, criando condições "parcialmente aderidas" (não saudáveis) versus "totalmente aderidas" (saudáveis).
• Processamento de Sinal e Classificação:
  • Filtragem Baseada em Energia: É introduzido um fluxo de processamento de sinal baseado em energia. Com base no teorema de Parseval, o método segmenta séries temporais acústicas, calcula a Densidade Espectral de Potência (PSD) e aplica limiares de energia com banda limitada. Esta abordagem filtra artefactos de baixa e alta amplitude associados a vibrações ambientais, preservando as características acústicas do impacto mecânico.
  • Redução de Dimensionalidade e Agrupamento: A Análise de Componentes Principais (PCA) é aplicada para reduzir a dimensionalidade dos dados acústicos sem fios, retendo componentes que explicam pelo menos 90% da variância. O agrupamento K-means é então utilizado para agrupar os dados transformados.
  • Classificação: Um classificador de árvore de decisão é treinado nos dados reduzidos por PCA para distinguir entre condições de telhas saudáveis e não saudáveis. O desempenho é avaliado utilizando métricas padrão: Precisão, Valor Preditivo Negativo (NPV), Revocação (Sensibilidade), Especificidade e Acurácia.

Principais Resultados

• Impacto da Vibração: Em condições ideais (0° de vibração), o modelo de classificação alcançou acurácia perfeita (1,00). No entanto, à medida que a amplitude de vibração aumentou, o desempenho degradou-se significativamente. Nas amplitudes de 3° e 5°, a acurácia caiu para 0,77 e 0,72, respetivamente, com uma perda notável na revocação (Sensibilidade), indicando que o modelo teve dificuldade em identificar telhas defeituosas entre o ruído de vibração.
• Eficácia da Correção: O método de filtragem baseado em energia proposto mitigou com sucesso os efeitos negativos da vibração. Ao preservar seletivamente eventos acústicos fisicamente significativos e suprimir artefactos relacionados ao movimento, o método restaurou a acurácia de classificação para acima de 98% (especificamente 0,99), mesmo no nível de vibração mais alto (5°).
• Separação de Características: A visualização da PCA demonstrou que, embora a vibração causasse dispersão de dados e deslocasse os limites dos agrupamentos, o método baseado em energia manteve uma separação clara entre os agrupamentos saudáveis e não saudáveis, prevenindo a sobreposição observada nos dados não corrigidos.

Significado e Alegações
Os autores afirmam que este trabalho estabelece uma etapa necessária de validação pré-campo para sistemas de inspeção robótica de fachadas. A contribuição principal é a quantificação da degradação acústica induzida pelo movimento e a demonstração de que uma abordagem de correção de sinal baseada em energia pode mitigar sistematicamente esses efeitos. O estudo afirma que, embora as vibrações induzidas pelo UAV distorçam significativamente as distribuições de características acústicas, o quadro proposto permite uma deteção robusta de danos em ambientes dinâmicos.

O artigo posiciona esta pesquisa como uma ponte entre testes acústicos laboratoriais e aplicações reais de UAV. Enfatiza que o método automatiza o teste tradicional com martelo e fornece uma abordagem escalável para monitorização ecoacústica. Os autores notam modestamente que, embora os resultados sejam robustos sob condições laboratoriais controladas com trajetórias pré-definidas, é necessário trabalho futuro para validar estas descobertas contra fatores ambientais do mundo real, como rajadas de vento e variações térmicas. O estudo conclui que a integração de sistemas de estabilização física e a extensão do quadro para modelos de maior complexidade são os próximos passos lógicos para a implementação em campo.