Computer Vision e rilevamento dei danni basato su codifica normativa nei ponti in c.a. e c.a.p.
Dalla segmentazione semantica al deep learning, la ricerca dell’Università della Basilicata punta a rendere più rapide e sistematiche le ispezioni di ponti in calcestruzzo armato e precompresso.
Aggiungi Ingenio alle tue fonti preferite
Direttamente su Google, senza notifiche o iscrizioni
Aggiungi Ingenio su Google
L’intelligenza artificiale entra sempre più concretamente nel campo delle ispezioni strutturali. In occasione del III Convegno FABRE 2026, Giuseppe Santarsiero ha presentato “Viaduct”, una piattaforma sviluppata dall’Università della Basilicata che utilizza computer vision, segmentazione semantica e deep learning per individuare automaticamente i difetti nei ponti in calcestruzzo armato e precompresso. Un approccio che punta a supportare il lavoro degli ispettori, migliorando rapidità, sistematicità e affidabilità delle analisi su grandi quantità di immagini e video raccolti durante le campagne ispettive.
Intelligenza artificiale e ispezione dei ponti: il progetto “Viaduct” dell’Università della Basilicata
In occasione del III Convegno FABRE, svoltosi a Roma dal 16 al 19 febbraio 2026, Giuseppe Santarsiero ha presentato una ricerca che affronta uno dei temi più strategici per la gestione delle infrastrutture esistenti: l’automazione del riconoscimento dei difetti nei ponti attraverso tecniche di deep learning e computer vision. Il lavoro si inserisce nel quadro delle attività sviluppate presso il laboratorio recentemente istituito dall’Università della Basilicata con l’obiettivo di introdurre metodologie basate sull’intelligenza artificiale nel campo delle ispezioni strutturali.
Il punto di partenza della ricerca è una criticità ben nota agli operatori del settore. Le ispezioni dei ponti, soprattutto per opere di grandi dimensioni o reti infrastrutturali estese, generano un’enorme quantità di dati: centinaia di schede ispettive e migliaia di immagini da analizzare. L’ingegnere incaricato delle verifiche deve quindi affrontare un’attività estremamente onerosa, nella quale il rischio di perdita di informazioni o di valutazioni non uniformi è tutt’altro che marginale. Da qui nasce l’idea di sviluppare uno strumento capace di sistematizzare il processo di identificazione dei difetti, mantenendo il giudizio esperto dell’ispettore al centro del processo decisionale.
Deep learning e tassonomia dei difetti secondo le Linee Guida
Uno degli aspetti più interessanti della ricerca presentata da Santarsiero riguarda l’allineamento del modello di intelligenza artificiale con la tassonomia prevista dalle Linee Guida per la classificazione e gestione del rischio dei ponti esistenti. L’obiettivo non è semplicemente “trovare anomalie”, ma riconoscere difetti coerenti con le categorie realmente utilizzate nella pratica ispettiva e nella definizione delle classi di attenzione.
Per raggiungere questo risultato il gruppo di ricerca ha costruito una lista di 46 differenti tipologie di difetto, ottenuta dall’integrazione delle schede relative agli elementi in calcestruzzo armato e calcestruzzo armato precompresso, eliminando le ridondanze. Questa classificazione costituisce la base dell’addestramento del modello di object detection.
Il sistema utilizza diversi algoritmi di computer vision combinati tra loro. Il nucleo principale è rappresentato da YOLOv8 Nano, versione leggera dell’ormai noto algoritmo “You Only Look Once”, scelto per la rapidità di elaborazione e per la possibilità di essere integrato in flussi operativi complessi. A questo si affiancano modelli di segmentazione semantica come Segment Anything Model (SAM) di Meta e UNET, impiegati per isolare il ponte rispetto allo sfondo dell’immagine.
L’addestramento iniziale è stato effettuato su un dataset ancora relativamente contenuto: otto ponti in calcestruzzo armato precompresso, con geometrie differenti in termini di campate e travi. Le immagini utilizzate per il training sono state circa 500, selezionate da un archivio più ampio e successivamente aumentate artificialmente tramite tecniche di data augmentation per migliorare la robustezza del modello.
Sebbene i difetti realmente presenti nel dataset coprano soltanto 11 delle 46 categorie teoriche individuate, il numero di annotazioni supera quota 6.000. Questo significa che ogni immagine contiene mediamente dieci o undici difetti, dato che evidenzia la complessità delle immagini panoramiche impiegate nelle ispezioni reali.
Prestazioni del modello e gestione delle immagini panoramiche
Le prestazioni ottenute dal modello mostrano risultati promettenti, soprattutto considerando la limitatezza del dataset disponibile. I valori di precision, recall e F1-score si attestano infatti tra 0,6 e 0,7 quando si adotta una soglia di sovrapposizione relativamente bassa tra il bounding box previsto dal modello e quello reale. In altre parole, il sistema privilegia la capacità di individuare la presenza del difetto rispetto alla precisione geometrica della sua localizzazione.
Quando invece si richiede una maggiore coincidenza tra posizione reale e posizione stimata, le prestazioni diminuiscono sensibilmente, con valori inferiori a 0,5. Questo comportamento evidenzia una delle principali sfide delle applicazioni di deep learning nel contesto infrastrutturale: il compromesso tra accuratezza localizzativa e capacità di rilevare effettivamente il danno.
Secondo quanto illustrato da Santarsiero, il modello funziona particolarmente bene su immagini di dettaglio prive di sfondo, dove fenomeni come corrosione delle armature o ossidazioni risultano facilmente riconoscibili. Tuttavia, il vero problema operativo riguarda le immagini panoramiche raccolte durante le normali campagne ispettive, nelle quali compaiono vegetazione, cielo, traffico o altri elementi estranei alla struttura.
Per affrontare questo limite il gruppo di ricerca ha sviluppato specifici “meccanismi di attenzione” esterni al modello YOLO. La procedura prevede innanzitutto la segmentazione semantica dell’immagine per isolare il ponte dal contesto circostante. Tutto ciò che non appartiene alla struttura viene sfocato o escluso dall’analisi, riducendo così il rischio di falsi positivi.
Successivamente l’immagine segmentata viene suddivisa in quattro porzioni, consentendo al modello di concentrare l’attenzione su aree più ristrette e migliorando la capacità di identificazione dei difetti. Al termine del processo le diverse porzioni vengono ricomposte generando un’unica immagine finale contenente l’elenco delle anomalie rilevate.
“Viaduct”: verso strumenti intelligenti a supporto dell’ispettore
Il flusso operativo sviluppato dal gruppo dell’Università della Basilicata è stato integrato in una piattaforma denominata “Viaduct”, concepita come strumento di supporto per le attività ispettive. L’interfaccia grafica permette all’utente di selezionare le immagini, effettuare segmentazioni automatiche oppure guidate tramite punti definiti manualmente, avviare il riconoscimento dei difetti e ottenere una ricostruzione finale dell’opera con le anomalie individuate.
Particolarmente interessante è anche l’estensione del sistema all’analisi video. In questo caso è stato necessario introdurre algoritmi di omografia per evitare la duplicazione dei difetti presenti in fotogrammi consecutivi. Senza questo accorgimento, infatti, la stessa anomalia potrebbe essere conteggiata più volte generando errori nella valutazione complessiva.
L’approccio proposto non punta a sostituire il tecnico ispettore, ma piuttosto a fornire uno strumento capace di rendere più sistematico, rapido e uniforme il processo di analisi. In prospettiva, sistemi di questo tipo potrebbero diventare un supporto fondamentale per la gestione delle grandi reti infrastrutturali, soprattutto in un contesto nel quale le amministrazioni devono confrontarsi con un patrimonio di opere esistenti sempre più esteso e bisognoso di monitoraggio continuo.
La ricerca presentata al Convegno FABRE conferma inoltre come l’integrazione tra ingegneria strutturale e intelligenza artificiale stia entrando in una fase di maturazione concreta. Se fino a pochi anni fa il deep learning applicato alle infrastrutture appariva prevalentemente sperimentale, oggi emergono strumenti sempre più vicini all’utilizzo operativo, capaci di dialogare con le procedure normative e con le esigenze reali delle attività ispettive.
In questo scenario, esperienze come quella sviluppata dall’Università della Basilicata mostrano come il futuro delle ispezioni strutturali passerà sempre più attraverso piattaforme intelligenti in grado di combinare visione artificiale, segmentazione semantica, classificazione automatica dei difetti e supporto decisionale avanzato.
DI SEGUITO L'INTERVENTO INTEGRALE DI GIUSEPPE SANTARSIERO.
Il testo è stato elaborato mediante la videoregistrazione dell'evento, con l'aiuto dell'IA.
AI - Intelligenza Artificiale
Tutto sull’intelligenza artificiale nel settore AEC: progettazione, BIM, cantiere, manutenzione e gestione tecnica. Scopri come l’AI sta cambiando il lavoro dei professionisti delle costruzioni.
Controlli e Diagnostica
Controlli e diagnostica nelle costruzioni: su INGENIO articoli, normative e tecnologie per garantire qualità e sicurezza di edifici e infrastrutture.
Infrastrutture
Tutto sul mondo delle infrastrutture: progettazione, tecnologie, controlli, digitalizzazione e normativa. Questo topic offre approfondimenti tecnici, casi studio e contributi di esperti.
Ingegneria Strutturale
L’ingegneria strutturale garantisce sicurezza e durabilità alle costruzioni. Scopri su INGENIO materiali, norme, tecnologie e soluzioni per progettare, rinforzare e monitorare strutture nuove ed esistenti.
Ponti e Viadotti
News e approfondimenti riguardanti il tema dei ponti e viadotti: l’evoluzione normativa, gli strumenti digitali per la progettazione, il controllo e il monitoraggio, i materiali e le soluzioni tecniche, il controllo e la manutenzione, la formazione e i progetti nazionali e internazionali.
Condividi su: Facebook LinkedIn Twitter WhatsApp
