NUEVA HERRAMIENTA ADAPTADA A LA INGENIERÍA Y A LA INSPECCIÓN INTELIGENTE DE CARRETERAS

Proyecto CPP2021-008863 financiado por:

Contenidos

Generales y específicos

Planes de trabajo y entregables

Viaria: carreteras

Red de transporte

Ferroviaria

Peligros naturales e inducidos

Eficiencia

Duración

Fiabilidad

MANTENIMIENTO

Viaria: carreteras

Red de transporte

Ferroviaria

Peligros naturales e inducidos

Eficiencia

Duración

Fiabilidad

MANTENIMIENTO

Tiempo

Coste

Inspección in-situ

Alta dependencia del factor humano

SCM, drones: costosos y no garantizan cobertura integral ni periódica

Propuesta

Mantenimiento preventivo

Monitorización basada en satélites

Inspección Inteligente

Reducir riesgos, aportar seguridad.

​

Capacidad de funcionar en condiciones adversas

​

Minimizar el tiempo de respuesta ante eventos

​

Seguimiento remoto y periódico de la infraestructura

​

Automatización

​

Acercamiento downscaling y coarse-to-fine

Estado de las cunetas: anegamiento y vegetación

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Estado de las cunetas: anegamiento y vegetación

Estado de taludes: movimiento y desprendimiento

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Técnicas DInSAR, PSI

Sentinel-1 + Sentinel-2

Machine Learning

Estado de las cunetas: anegamiento y vegetación

Estado de taludes: movimiento y desprendimiento

Vegetación. Invasión de la calzada

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Técnicas DInSAR, PSI

Sentinel-1 + Sentinel-2

Machine Learning

Sentinel-1 + PRISMA

Modelos Digitales del Terrreno

Estado de las cunetas: anegamiento y vegetación

Estado del firme: baches y hundimientos

Estado de taludes: movimiento y desprendimiento

Vegetación. Invasión de la calzada

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Técnicas DInSAR, PSI

Sentinel-1 + Sentinel-2

Machine Learning

Sentinel-1 + PRISMA

Modelos Digitales del Terrreno

Sentinel-1 + Sentinel-2 + PRISMA

VHR

Estado de las cunetas: anegamiento y vegetación

Estado del firme: baches y hundimientos

Estado de taludes: movimiento y desprendimiento

Vegetación. Invasión de la calzada

Cartografía de la infraestructura

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Técnicas DInSAR, PSI

Sentinel-1 + Sentinel-2

Machine Learning

Sentinel-1 + PRISMA

Modelos Digitales del Terrreno

Sentinel-1 + Sentinel-2 + PRISMA

VHR

Sentinel-1 + Pleiades + SPOT

Estado de las cunetas: anegamiento y vegetación

Estado del firme: baches y hundimientos

Estado de taludes: movimiento y desprendimiento

Vegetación. Invasión de la calzada

Cartografía de la infraestructura

Sentinel-1 + Sentinel-2

Pleiades + SPOT + PRISMA

Índices espectrales relacionados con vegetación, humedad y masas de agua

Análisis de la amplitud y polarización de la señal radar

Técnicas DInSAR, PSI

Sentinel-1 + Sentinel-2

Machine Learning

Sentinel-1 + PRISMA

Modelos Digitales del Terrreno

Sentinel-1 + Sentinel-2 + PRISMA

VHR

Sentinel-1 + Pleiades + SPOT

Pleiades + SPOT

DInSAR, Sentinel, multiespectral

​

​

​

​

SPOT, Pleiades, DSM

OE1: Integración de datos satelitales multirresolución, multiplataforma

OE2: Aplicación de técnicas DInSAR para la detección de cambios

OE3: Aplicación de técnicas de visión computacional para generar productos cartográficos

OE4: Desarrollo de algoritmos de Inteligencia Artificial

OE5: Generación de mapas de cambios detectados y su identificación

OE6: Descarga automática y procesamiento de imágenes, Cloud Computing

OE7: Plataforma WebGIS para la gestión de imágenes y resultados

Detección de cambios en la infraestructura viaria por medio de imágenes satelitales y procesos de Inteligencia Artifical

Herramienta holística que permita mejorar las operaciones de inspección y gestión de la infraestructura, minimizando las interrupciones de operación

Automatización del proceso mediante Inteligencia Artificial

Uso de herramientas Open Data Cube, Nested Grid y Cloud Computing para procesado de BigData geoespacial

PT1: Análisis de requerimientos y funcionalidades (M1:M3)

T1.1: Definición del concepto de cambio. Cambios de especial interés, que determinarán las necesidades espectrales, espaciales y temporales de los datos.

T1.2: Requisitos de los datos de entrada. Imágenes ópticas y radar de la ESA (acceso libre). Determinación de las posibilidades de cada tipo de imagen para detectar los cambios definidos. Algoritmos de unmixing para aumentar resolución. Cantidad de imágenes para IA. Imágenes de Alta Resolución.

T1.3: Requisitos de los productos generados. Contenidos necesarios para los informes resultantes de la herramienta: resolución, colores, cartografía base... Funcionalidades esperadas.

Entregable M3: documento que recoge los elementos que se definen como cambios a detectar, parámetros a evaluar para la determinación del cambio, requisitos de los datos de entrada, información de los elementos de salida. (Documento)

PT2: Big Data geoespacial y fusión de datos (M3:M14)

T2.1: Desarrollo de scripts de descarga y procesado en la nube. Descarga, almacenamientos y catalogado de los datos geoespaciales. Servicios de ESA y USGS, GEE... Selección de las bandas de interés.

T2.2: Cálculo de índices espectrales. Generar índices que sirvan de entrada a los algoritmos de detección de cambios: NDVI, SAVO, NDWI, BSI...

T2.3: Procesado DInSAR de datos radar. Selección de imágenes de referencia y co-registro de los productos SLC. Preparado de las imágenes: corrección orbital, interferogramas, unwrapping, conversión a desplazamiento y georreferenciación. Técnicas PSI o SBAS.

Entregable M8: Herramientas de procesado de información satelital (Documento).

T2.4: Generación de Modelos Digitales del Terreno. Combinación de datos LiDAR PNOA con imágenes satelitales con capacidades estereoscópicas (Pleiades) para generar MDT/MDS.

T2.5: Fusión de datos multifuente. Gestión bajo los paradigmas de Open Data Cube y Analysis Ready Data. Estrategias de redes locales anidadas.

Entregable M14: Estrategias de fusión de datos (Documento).

PT3: Desarrollo de algoritmos inteligentes para la detección de cambios (M6:M30)

T3.1: Estudio teórico: Inteligencia Artifical aplicada a la detección de cambios en la infraestructura viaria. Estado del arte de la IA aplicada a información satelital. Selección de estrategias existentes.

T3.2: Desarrollo de algoritmia para la detección de cambios. Desarrollo y validación de las arquitecturas de Deep Learning seleccionadas. Selección de librerías. Entrenamiento a partir de datos satelitales previamente etiquetados. Se entrenarán para: (1) Detección de la infraestructura y actualización de la cartografía; (2) detección de cambios; (3) asignación de semántica a los cambios. Validación de varias propuestas.

T3.3: Implantación de la metodología desarrollada. Acceso sencillo e intuitivo, aportando valor al usuario, que no tiene conocimientos de IA. Contenedores Docker, plataforma web.

Entregable M12: Estudio de arquitecturas Deep Learning y metodologías de detección de cambios en imágenes satelitales. Desarrollo teórico. (Documento)

Entregable M30: Implementación de modelos para la detección de cambios en imágenes satelitales. Desarrollo metodológico y técnico. (Documento)

PT4: Herramienta WebGIS ROAD-EYE (M24:M33)

T4.1: Desarrollo de la plataforma WebGIS ROAD-EYE. Diseño e implementación de una herramienta de visualización y gestión de datos. Algoritmos de IA. Programación en Python, C++ y SQL. Gestión de información geoespacial e información no georreferenciada. Estrategias de cacheado de los mapas generados.

T4.2: Implementación de algoritmia desarrollada en la herramienta. Entrada de datos satelitales. Aplicación de algoritmos de fusión de datos. Preprocesamiento. Algoritmos de inteligencia para detección de cambios. Automatización.

T4.3: Generación de mapas e informes. Generación de cartografía de la zona de estudio. Indicar los cambios detectados, su identificación y semántica. Cartografía básica incluida. Formato web y PDF.

Entregable M33: Herramienta WebGIS para la detección de cambios en la infraestructura viaria. Instalada en un servidor. (Software)

Entregable M33: Manual de Usuario de la herramienta WebGIS. (Documento)

PT5: Validación y casos piloto (M26:M36)

T5.1: Selección de entornos de validación. A-1: Puerto de Somosierra.

A-6: Madrid-Villalba.

A-67: Aguilar de Campoo-Santander.

N-430: Ciudad Real-Badajoz.

A-7: Alicante-Valencia

T5.2: Diseño y ejecución de la metodología de validación. Indicadores de control. Validación sobre cada caso piloto. Inspección de las infraestructuras seleccionadas con metodología tradicional. Comparación de resultados. Retroalimentación.

T5.3: Validación y ajuste de la herramienta. Consideración de los resultados de la comparación para el reajuste de la herramienta.

Entregable M36: Evaluación de los casos piloto. Documento que recoja los resultados de la aplicación de la herramienta. (Documento)

PT6: Coordinación del proyecto y transferencia de resultados (M1:M36)

T6.1: Gestión técnica del proyecto.

T6.4: Difusión comercial (empresa).

T6.6: Difusión de la investigación. Plan de publicaciones.

Entregable M4 M16 M28: Informes anuales de seguimiento. (Documento)

T6.2: Gestión administrativa y financiera.

T6.3: Gestión de la calidad y aspectos éticos.

T6.5: Internacionalización. Plan de publicaciones. Empresas internacionales.

Entregable M36: Informe final de proyecto. (Documento)

Entregable M36: Plan de negocio. Análisis de mercado. (Documento)

Impacto Social

Crecimiento económico

Ciencia y Tecnología

Transformación digital y tecnológica en el mantenimiento de las infraestructuras de transporte.

Reducción del riesgo de cortes en carreteras.

Reducción del riesgo de accidentes

Ahorro para los usuarios.

Creación de empleo.

Ventaja competitiva para IMESAPI y API Movilidad en los mercados de conservación y mantenimiento de carreteras.

Impacto significativo en el campo de la investigación y el desarrollo tecnológico.

Transferencia de conocimiento Universidad-Empresa.

Se garantiza una cobertura integral y periódica de la infraestructura

Inspección in-situ y métodos tradicionales

Inspección inteligente y clasificación semántica de los cambios

Inspección visual de los datos. Umbrales

Automatización del proceso: descarga, procesamiento, resultados

Dependencia del factor humano