Come può l'AI scoprire le barre d'armatura sotto il cemento?

Le strutture in cemento nascondono al loro interno le barre d'armatura, i “muscoli” che le rendono solide. Per controllarle senza demolire, gli ingegneri usano il radar a penetrazione del suolo (GPR), ma quando sopra c'è l’asfalto il segnale diventa confuso, come una foto sfocata. In questo studio, ricercatori hanno addestrato il modello di intelligenza artificiale YOLOv8, noto per riconoscere oggetti in tempo reale, su tre set di dati GPR: chiaro, interferito e sfocato. Hanno poi testato ogni modello su tutti gli scenari per capire quanto fosse flessibile. Per migliorare i risultati, hanno creato un algoritmo di filtraggio che elimina le rilevazioni duplicate e sovrapposte. Il risultato? YOLOv8 ha superato i metodi tradizionali, soprattutto quando il radar era “rumoroso”. Nei casi più difficili, dove le tecniche analitiche fallivano, il modello filtrato ha contato le barre con precisione quasi perfetta, avvicinandosi al valore reale. Inoltre, le previsioni sono state più coerenti sia nella posizione che nel numero delle barre, riducendo gli errori di sovra‑rilevazione. Questo approccio dimostra che, con dataset ben studiati e una post‑elaborazione intelligente, l’AI può rendere le ispezioni dei ponti più affidabili, anche in condizioni di campo complicate.

Il radar a penetrazione del suolo (GPR) emette impulsi elettromagnetici ad alta frequenza che, penetrando il materiale, generano riflessioni in corrispondenza di discontinuità dielettriche, come le barre d'armatura. La risoluzione spaziale dipende dalla frequenza del segnale: frequenze più alte offrono dettagli più fini ma minore penetrazione, mentre frequenze più basse penetrano più in profondità ma con minore dettaglio. Nei ponti, la presenza di strati di asfalto introduce un forte assorbimento e riflessioni multiple, creando rumore di fondo che maschera le eco delle barre. YOLOv8, basato su una rete neurale convoluzionale a più scale, è stato addestrato con immagini GPR etichettate manualmente, includendo variazioni di contrasto, rumore e artefatti. Il modello apprende a riconoscere pattern di riflessione tipici delle barre, distinguendoli da segnali di interferenza. Il filtro post‑processo implementato utilizza una soglia di IoU (Intersection over Union) per rimuovere bounding box sovrapposti, e un algoritmo di clustering basato su distanza euclidea per aggregare rilevazioni duplicate. Questa fase riduce drasticamente i falsi positivi, migliorando la precisione (P) e il richiamo (R) del sistema. Nei test, la combinazione YOLOv8 + filtro ha raggiunto una F1‑score superiore al 0,92 nei dataset sfocati, rispetto a valori intorno allo 0,70 dei metodi analitici tradizionali basati su trasformate di Fourier. Inoltre, la capacità di generalizzazione è stata valutata tramite cross‑validation a 5‑fold, confermando la robustezza del modello anche con dati non visti. Questi risultati suggeriscono che l’integrazione di deep learning e post‑processing mirato può superare i limiti fisici del GPR, aprendo la strada a ispezioni più rapide e meno invasive di infrastrutture critiche.