Uso de vehículos aéreos no tripulados en la determinación de índices de condición superficial de pavimentos
DOI:
https://doi.org/10.20868/ade.2024.5487Palabras clave:
UAS, infraestructura, administración de pavimentos, sistemas de información geográficaResumen
La infraestructura vial juega un papel fundamental en el desarrollo de las naciones, tanto en términos de calidad de vida como de crecimiento económico. En Colombia, la gestión de pavimentos es un aspecto crucial para mantener las carreteras en buen estado y garantizar su correcto funcionamiento. Actualmente, los métodos tradicionales de evaluación de pavimentos son costosos y ambiguos, por lo que se busca implementar nuevas tecnologías como los vehículos aéreos no tripulados (VANTs) para optimizar este proceso. La investigación que se presenta tiene como objetivo determinar la viabilidad de utilizar VANTs para calcular el índice de regularidad internacional (IRI), un indicador clave para evaluar la condición superficial de los pavimentos. A través del procesamiento de imágenes capturadas por los VANTs, se extraerá información detallada de la superficie de rodadura, la cual será analizada en software especializado de gestión vial. Esta información permitirá identificar zonas con daños potenciales y predecir su evolución en el tiempo, facilitando la toma de decisiones oportunas para el mantenimiento y rehabilitación de las carreteras.
La implementación exitosa de esta tecnología tendría un impacto significativo en la gestión de pavimentos en Colombia, permitiendo una evaluación más eficiente, precisa y económica de la red vial nacional.
Descargas
Referencias
1. Atencio, E., Plaza-Muñoz, F., Muñoz-La Rivera, F., & Lozano-Galant, J. A. (2022). Calibration of UAV flight parameters for pavement pothole detection using orthogonal arrays. Automation in Construction, 143, e104545. https://doi.org/10.1016/j.autcon.2022.104545
2. Badilla Vargas, G. (2011). Aspectos Y Consideraciones Importantes En El Cálculo Del Índice De Regularidad Internacional (Iri). Revista Ingeniería, 20(1–2). https://doi.org/10.15517/ring.v20i1-2.7271
3. Biçici, S., & Zeybek, M. (2021). Automation in Construction An approach for the automated extraction of road surface distress from a UAV-derived point cloud. Automation in Construction, 122, e103475. https://doi.org/10.1016/j.autcon.2020.103475
4. Chun, P. J., Yamane, T., & Tsuzuki, Y. (2021). Automatic detection of cracks in asphalt pavement using deep learning to overcome weaknesses in images and gis visualization. Applied Sciences (Switzerland), 11(3), 1–15. https://doi.org/10.3390/app11030892
5. Cruz Toribio, J. O., & Gutierrez Lazares, J. W. (2019). Evaluación Superficial de Vías Urbanas empleando Vehículo Aéreo No Tripulado (VANT). Métodos y Materiales, 8, 23–32. https://doi.org/10.15517/mym.v8i1.34113
6. De Solminihac T., H., N., T. E., & G., A. C. (2019). Gestión De Activos Viales. Gestión De Infraestructura Vial, 659–689. https://doi.org/10.2307/j.ctvkjb4dw.23
7. Ferrer-González, E., Aguera-Vega, F., Carvajal-Ramírez, F., & Martínez-Carricondo, P. (2020). UAV photogrammetry accuracy assessment for corridor mapping based on the number and distribution of ground control points. Remote Sensing, 12(2447), 1–19. https://doi.org/10.3390/RS12152447
8. Gisbert, C. M., Lozano-Galant, J. A., Paya-Zaforteza, I., & Turmo, J. (2020). Calibration of the descent local search algorithm parameters using orthogonal arrays. Computer-Aided Civil and Infrastructure Engineering, 35, 997–1008. https://doi.org/10.1111/mice.12545
9. Gopalakrishnan, K. (2018). Deep learning in data-driven pavement image analysis and automated distress detection: A review. Data, 3(3). https://doi.org/10.3390/data3030028
10. Gui, R., Xu, X., Zhang, D., Lin, H., Pu, F., He, L., & Cao, M. (2018). A component decomposition model for 3D laser scanning pavement data based on high-pass filtering and sparse analysis. Sensors (Switzerland), 18(7). https://doi.org/10.3390/s18072294
11. Herra Gómez, L. D. (2018). Conceptualización del procesamiento digital de imágenes para la evaluación de superficies de pavimento en Costa Rica. Infraestructura Vial, 20(35), 20–26. https://doi.org/10.15517/iv.v20i35.34831
12. Hoang, N. D. (2018). An Artificial Intelligence Method for Asphalt Pavement Pothole Detection Using Least Squares Support Vector Machine and Neural Network with Steerable Filter-Based Feature Extraction. Advances in Civil Engineering, 2018, 1–12. https://doi.org/10.1155/2018/7419058
13. Jofré Briceño, C., Muñoz, F., Atencio, E., & Herrera, R. F. (2021). Implementation of facility management for port infrastructure through the use of UAVs, photogrammetry and BIM. Sensors, 21(6686), 1–27. https://doi.org/10.3390/s21196686
14. Kashiyama, T., Sekimoto, Y., Seto, T., & Lwin, K. K. (2020). Analyzing road coverage of public vehicles according to number and time period for installation of road inspection systems. International Journal of Geo-Information, 9(161), 1–14. https://doi.org/10.3390/ijgi9030161
15. Ministerio de Transporte. (2006). Manual para la inspección visual de pavimentos flexibles. In Manual para la inspeccion visual de pavimentos flexibles.
16. Ministerio de Transporte. (2016). Volumen 1: Aspector Informativos. In Manual de Mantenimiento de Carreteras.
17. Pacha, P. A., & Zárate Torres, B. A. (2020). Evaluación superficial de pavimentos rígidos en carreteras mediante ortoimágenes obtenidas mediante un vehículo aéreo no tripulado. Avances: Investigación En Ingeniería, 17(2), 1–15. https://doi.org/10.18041/1794-4953/avances.2.6599
18. Pan, Y., Zhang, X., Cervone, G., & Yang, L. (2018). Detection of Asphalt Pavement Potholes and Cracks Based on the Unmanned Aerial Vehicle Multispectral Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(10), 3701–3712. https://doi.org/10.1109/JSTARS.2018.2865528
19. Prosser-Contreras, M., Atencio, E., La Rivera, F. M., & Herrera, R. F. (2020). Use of unmanned aerial vehicles (Uavs) and photogrammetry to obtain the international roughness index (iri) on roads. Applied Sciences (Switzerland), 10(24), 1–22. https://doi.org/10.3390/app10248788
20. Ragnoli, A., De Blasiis, M. R., & Di Benedetto, A. (2018). Pavement distress detection methods: A review. Infrastructures, 3(58), 1–19. https://doi.org/10.3390/infrastructures3040058
21. Romero-Chambi, E., Villarroel-Quezada, S., Atencio, E., & Rivera, F. M. La. (2020). Analysis of optimal flight parameters of unmanned aerial vehicles (UAVs) for detecting potholes in pavements. Applied Sciences (Switzerland), 10(12), 1–33. https://doi.org/10.3390/APP10124157
22. Sayers, M. (1995). On the calculation of international roughness index from longitudinal road profile. Transportation Research Record, 1501, 1–12.
23. Solminihac, H., Echaveguren, T., & Chamorro, A. (2019). Gestión de infraestructura vial. Alfaomega.
24. Tan, Y., & Li, Y. (2019). UAV photogrammetry-based 3D road distress detection. International Journal of Geo-Information, 8(409), 1–24. https://doi.org/10.3390/ijgi8090409
25. Wang, Y., & Ye, T. (2022). Applications of Artificial Intelligence Enhanced Drones in Distress Pavement, Pothole Detection, and Healthcare Monitoring with Service Delivery. Journal of Engineering (United Kingdom), 2022, 1–16. https://doi.org/10.1155/2022/7733196
26. Yousaf, M. H., Azhar, K., Murtaza, F., & Hussain, F. (2018). Visual analysis of asphalt pavement for detection and localization of potholes. Advanced Engineering Informatics, 38(March), 527–537. https://doi.org/10.1016/j.aei.2018.09.002
27. Zhang, Y., Chen, B., Wang, J., Li, J., & Sun, X. (2020). APlCnet: Automatic pixel-level crack detection network based on instance segmentation. IEEE Access, 8, 199159–199170. https://doi.org/10.1109/ACCESS.2020.3033661
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Autor / BY-NC
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Los autores conservan los derechos de autor y garantizan a la revista el derecho de una Licencia Creative Commons Atribución - Nocomercial 4.0 Internacional que permite a otros compartir el trabajo con un reconocimiento de la autoría y uso no comercial.
2. Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro).
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons"
