Desempeño de redes neuronales frente a algoritmo ad hoc para segmentación de estructuras.
Enviado: 13-03-2025
|Aceptado: 22-12-2025
|Publicado: 09-01-2026
Derechos de autor 2026 Francisco Jose Soler Mora, Adrián Peidró Vidal, Marc Fabregat-Jaén, Luis Payá Castelló, Óscar Reinoso García

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Descargas
Palabras clave:
Red Neuronal, Segmentación, LiDAR 3D, Robot Trepador, Estructuras
Agencias de apoyo:
Resumen:
La necesidad de inspección y mantenimiento en estructuras reticulares metálicas como puentes o torres de alta tensión expone a los operarios humanos a riesgos considerablemente elevados, como caídas desde gran altura y electrocuciones. Este trabajo nace con el objetivo de reducir estos riesgos mediante el uso de robots trepadores para la realización de tareas de inspección y mantenimiento en estos entornos. Para este tipo de robots resulta fundamental desarrollar métodos de segmentación del entorno que permitan la navegación del robot. El presente artículo desarrolla y compara diferentes métodos de segmentación de estructuras reticulares a partir de nubes de puntos 3D. Los métodos propuestos se basan en dos enfoques: redes neuronales entrenadas con paralelepípedos para favorecer la generalización, y un algoritmo analítico ad hoc. Ambos métodos se evalúan en una base de datos generada sintéticamente. Para la generación de la base de datos, se ha desarrollado un método capaz de generar grandes cantidades de nubes de puntos realistas etiquetadas automáticamente. Los resultados muestran que el algoritmo ad hoc es adecuado para robots con recursos limitados (87 % mIoU), mientras que las redes neuronales alcanzan mayor precisión (98 % mIoU), pero requieren GPU dedicadas. Los resultados y propuestas evaluadas en este artículo aportan información relevante para la selección de métodos de segmentación en este tipo de estructuras reticulares.
Citas:
Ameli, Z., Aremanda, Y., Friess, W. A., Landis, E. N., 2022. Impact of uav hardware options on bridge inspection mission capabilities. Drones 6 (3). DOI: https://doi.org/10.3390/drones6030064
Cai, G., Lin, W., Wei, S., Gu, S., Zhu, H., Guan, Y., 12 2019. Representation of 3d structure for path planning with biped wall-climbing robots. IEEE International Conference on Robotics and Biomimetics, ROBIO 2019, 2250–2255. DOI: https://doi.org/10.1109/ROBIO49542.2019.8961590
Charles, R. Q., Su, H., Kaichun, M., Guibas, L. J., 2017. Pointnet: Deep learning on point sets for 3d classification and segmentation. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition. pp. 77–85. DOI: https://doi.org/10.1109/CVPR.2017.16
Cheng, H., Chai, W., Hu, J., Ruan, W., Shi, M., Kim, H., et al., 2024. Random bridge generator as a platform for developing computer vision-based structural inspection algorithms. Journal of Infrastructure Intelligence and Resilience, 100098. DOI: https://doi.org/10.1016/j.iintel.2024.100098
Choy, C., Gwak, J., Savarese, S., 2019. 4d spatio-temporal convnets: Minkowski convolutional neural networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp. 3075–3084. DOI: https://doi.org/10.48550/arXiv.1904.08755
Cucuzza, R., Aloisio, A., Rad, M. M., Domaneschi, M., 2024. Constructability based design approach for steel structures: From truss beams to real-world inspired industrial buildings. Automation in Construction 166, 105630. DOI: https://doi.org/10.1016/j.autcon.2024.105630
Fabregat, M., Peidro, A., Reinoso, O., Soler, F., Jiménez, L., May 2022. Automatización del pegado de las garras magnéticas de un robot trepador bípedo. In: Jornadas de Robótica, Educación y Bioingeniería - JREB22. Vol. 1. Universidad de Malaga, Malaga, pp. 139–148.
Gonzalez-Morgado, A., Alvarez-Cia, C., Heredia, G., Ollero, A., 2023. Uav fully-actuated: model, control and comparison with coplanar configuration. Revista Iberoamericana de Automatica e Informatica industrial 20 (4), 401–411.
Graham, B., Engelcke, M., Maaten, L. v. d., 2018. 3d semantic segmentation with submanifold sparse convolutional networks. In: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 9224–9232. DOI: 10.1109/CVPR.2018.00961
Gu, S., Zhu, H., Lin, X., Tan, J., Ye, W., Guan, Y., 2022. Truss member registration for implementing autonomous gripping in biped climbing robots. Automation in Construction 136, 104146. DOI: https://doi.org/10.1016/j.autcon.2022.104146
Guan, Y., Jiang, L., Zhu, H., Zhou, X., Cai, C.,Wu,W., et al., 2011. Climbot: A modular bio-inspired biped climbing robot. In: 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems. pp. 1473–1478. DOI: https://doi.org/10.1109/IROS.2011.6094406
Hu, Q., Yang, B., Xie, L., Rosa, S., Guo, Y., Wang, Z., et al., 2019. Randlanet: Efficient semantic segmentation of large-scale point clouds. CoRR abs/1911.11236. DOI: https://doi.org/10.48550/arXiv.1911.11236
Ivi´c, S., Crnkovic, B., Grbcic, L., Matlekovic, L., 2023. Multi-uav trajectory planning for 3d visual inspection of complex structures. Automation in Construction 147, 104709. DOI: https://doi.org/10.1016/j.autcon.2022.104709
Lamas, D., Justo, A., Soilán, M., Cabaleiro, M., Riveiro, B., 2023. Instance and semantic segmentation of point clouds of large metallic truss bridges. Automation in Construction 151, 104865. DOI: https://doi.org/10.1016/j.autcon.2023.104865
Lamas, D., Justo, A., Soilán, M., Riveiro, B., 2 2024. Automated production of synthetic point clouds of truss bridges for semantic and instance segmentation using deep learning models. Automation in Construction 158, 105176. DOI: https://doi.org/10.1016/J.AUTCON.2023.105176
Ouster, 2025. os1 lidar sensor. Ouster.com. URL: https://ouster.com/products/hardware/os1-lidar-sensor
Pauly, M., Gross, M., Kobbelt, L., 2002. Efficient simplification of pointsampled surfaces. In: NA (Ed.), IEEE Visualization, 2002. VIS 2002. Vol. 1. NA, NA, pp. 163–170. DOI: https://doi.org/10.1109/VISUAL.2002.1183771
Pointcept, 2023. Pointcept: A codebase for point cloud perception research. https://github.com/Pointcept/Pointcept.
Prados, C., Hernando, M., Gambao, E., Brunete, A., 2023. Romerin: Organismo robotico escalador basado en patas modulares con ventosas activas. Revista Iberoamericana de Automatica e Informatica industrial 20 (2), 175–186.
Pshenin, V., Liagova, A., Razin, A., Skorobogatov, A., Komarovsky, M., 5 2022. Robot crawler for surveying pipelines and metal structures of complex spatial configuration. Infrastructures 7, 75. DOI: https://doi.org/10.3390/infrastructures7060075
Qi, C. R., Yi, L., Su, H., Guibas, L. J., 6 2017. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Advances in Neural Information Processing Systems 2017-December, 5100–5109. DOI: https://doi.org/10.48550/arXiv.1706.02413
Rabbani, T., Heuvel, F., Vosselman, G., 01 2006. Segmentation of point clouds using smoothness constraint. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 36.
Ronneberger, O., Fischer, P., Brox, T., 2015. U-net: Convolutional networks for biomedical image segmentation. CoRR abs/1505.04597.
Sánchez, M., Martínez, J. L., Morales, J., Robles, A., Morán, M., 2019. Automatic generation of labeled 3d point clouds of natural environments with gazebo. In: 2019 IEEE International Conference on Mechatronics (ICM). Vol. 1. pp. 161–166. DOI: https://doi.org/10.1109/ICMECH.2019.8722866
Viswanath, K., Jiang, P., Saripalli, S., 2024. Reflectivity is all you need!: Advancing lidar semantic segmentation. DOI: https://doi.org/10.48550/arXiv.2403.13188
Wijayathunga, L., Rassau, A., Chai, D., 2023. Challenges and solutions for autonomous ground robot scene understanding and navigation in unstructured outdoor environments: A review. Applied Sciences 13 (17). DOI: 10.3390/app13179877
Wu, X., Jiang, L., Wang, P.-S., Liu, Z., Liu, X., Qiao, Y., Ouyang, W., He, T., Zhao, H., 2024. Point transformer v3: Simpler, faster, stronger.In:2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). pp. 4840–4851. DOI: 10.1109/CVPR52733.2024.00463
Zhao, L., Tao, W., 2019. Jsnet: Joint instance and semantic segmentation of 3d point clouds. CoRR abs/1912.09654. DOI: https://doi.org/10.48550/arXiv.1912.09654




