di Smart&Safe&Green Research Team
Dopo gli ultimi eventi drammatici di Genova e gli effetti devastanti dei terremoti, il monitoraggio dell’integrità strutturale di edifici e di grandi infrastrutture di trasporto, come ponti, viadotti e dighe, è diventato un aspetto cruciale per la prevenzione di disastri naturali e garantire la sicurezza di persone e cose.
Nell’ambito del Progetto Smart Safe and Green Buildings, che punta ad obiettivi di riqualificazione energetica e ambientale di fabbricati esistenti, nonché al monitoraggio dello stato di salute delle strutture è stato sviluppato un sistema di monitoraggio non invasivo in ambito IoT (acronimo per “Internet of Things” – tematica approfondita in altri post di questo blog, cui si rimanda).
Il sistema IoT di monitoraggio è costituito, dal punto di vista fisico da una serie di marker adesivi (reattivi ai raggi infrarossi) da posizionare sui punti della struttura da monitorare, da una fotocamera con lettore IR, un emettitore IR, una Scheda Raspberry programmabile con Sistema di trasmissione dati Wi-Fi integrato, direttamente collegata alla fotocamera per fornire gli imput di attivazione ( scatto), registrazione o archiviazione raw data (immagini in questo caso), cablaggi ed alimentatori vari.
Su tale harware di base si innesta il sistema sw esperto, ossia un sw di elaborazione dati dotato di interfaccia utente consultabile da remoto mediante accesso riservato.
Il monitoraggio si basa:
– sul posizionamento dei marker ottici in punti della struttura scelti, da
tecnici strutturisti, per la loro significatività ai fini strutturali
– sulla rilevazione fotografica ad intervalli regolari (ad esempio di 5 minuti) della struttura del fabbricato, i cui elementi sono considerati come aste rigide,
– sull’invio delle immagini ai server per l’elaborazione in remoto, al fine di ricavare output numerici relativi alla posizione dei punti dei marker e delle reciproche distanze, per valutare le deformazioni del sistema nel tempo
– sull’impostazione di opportune soglie di allarme (nel caso in cui le deformazioni superino le soglie impostate) e conseguenti azioni preventive attuabili
La fotocamera effettua scatti con luce visibile e scatti IR (raggi infrarossi), in modo che il monitoraggio risulti attivo anche durante la notte, come si può vedere nella sequenza d’immagini campione che segue.
L’app di interfaccia utente, accessibile da remoto tramite accesso riservato e protetto, oltre a consentire la visione dei dati del monitoraggio, svolge anche funzione di repository edilizio e consente la raccolta di numerose informazioni riguardanti l’immobile, relative sia alle sue pratiche edilizie, sia alle azioni di manutenzione, passate e future.
Per quanto possa sembrare un sistema semplice, in realtà vi sono una serie di complessità critiche che è stato necessario affrontare e risolvere.
Le immagini sono lette ed interpretate da un sistema esperto, ossia un sw in grado di apprendere ed evolversi per riuscire ad identificare ed eliminare dalle analisi eventuali elementi di disturbo non realmente pertinenti gli obiettivi dell’analisi stessa (es. dilatazioni termiche, azioni del vento, spostamenti della videocamera dovuti al vento o a cedimento dello snodo, ecc.). Il sw pertanto si occupa della points detection, ovvero dell’identificazione all’interno della fotografia degli specifici punti “di controllo” presenti sulla struttura dell’edificio, e per farlo sfrutta tecniche e algoritmi di computer vision, una branca dell’intelligenza artificiale che si occupa dell’elaborazione automatica di dati visivi, al fine di estrapolare dati strutturati e informazioni, da dati non struttura, in questo caso immagini. La libreria Open CV, che fornisce un modulo specifico per l’identificazione di pattern all’interno di un’immagine, con un certo grado di flessibilità, è stata affiancata da una ulteriore tecnica di machine learning chiamata clustering, utilizzata per ottimizzare le funzionalità del sw esperto ai fini dell’individuazione della posizione dei punti campione nell’immagine.
La fase di sperimentazione ha evidenziato l’effettiva capacità del sistema di leggere la posizione dei punti, individuare le deformazioni, discriminare le deformazioni derivanti da eventi metereologici o dilatazioni termiche.