Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ABSTRACT
This research proposes an alternative methodology to obtain the Pavement Condition Index
(PCI) and the International Roughness Index (IRI) using georeferenced images, obtained
from an unmanned aerial vehicle (UAV), which are processed to generate an orthophoto
high resolution and a dense point cloud on the surface of the pavement. The processing of
the images and the analysis of the products allow the total visual inspection of the road in a
safe way, identifying the type of existing deterioration, its severity and the damaged density,
as parameters and inputs to use the PCI method. In addition, the profiles of the pavement
circulation tracks are obtained for the calculation of the IRI in each one of them. The
innovation of the procedure to evaluate pavements and determine the PCI and IRI,
periodically with the purpose of conservation of the urban roads, optimizing the scarce
resources of the local governments with the benefit of the users.
RESUMEN
1. INTRODUCCIÓN
Las vías urbanas de las principales ciudades se encuentran saturadas de vehículos que
dificultan toda actividad de inspección y mantenimiento. En estas vías el deterioro es
evidente y requiere de trabajos urgentes. Los usuarios ven incrementado los costos de
Actualmente, existen varios métodos para determinar las condiciones del pavimento. Estos
consisten en largas jornadas de trabajo de campo, caminando la vía y registrando todo tipo
de deterioro para su posterior análisis. Sin embargo, el rendimiento se disminuye debido a
la congestión de vehículos que obstaculizan el trabajo técnico. Además, requiere de
personal que supervisen la seguridad de los técnicos involucrados, elevando el costo de
evaluación.
La presente investigación presenta una nueva metodología para la evaluación de las vías
mediante el uso de vehículos aéreos no tripulados, conocidos como drones, los cuales
capturan imágenes del estado del pavimento, para posteriormente determinar su condición
actual de manera rápida y segura, siendo una herramienta con mucho potencial para
generar información que permita realizar una gestión eficiente del mantenimiento de las
vías.
2. SITUACIÓN DE LA PROBLEMÁTICA
Los gobiernos locales al no contar con información actualizada del deterioro de sus vías,
les impide elaborar el plan operativo de trabajos de mantenimiento anual y de una adecuada
gestión. La falta de una evaluación superficial y funcional impide realizar una racional
planificación de trabajos correctivos que permitan conservar y alargar la vida útil de los
pavimentos para beneficio de los usuarios.
El tiempo invertido en los trabajos de evaluación de las vías, en las zonas urbanas, se
incrementa y dificulta por el intenso y desordenado tráfico de la ciudad, poniendo en riesgo
la vida de los evaluadores o controladores.
3. OBJETIVOS
4. METODOLOGÍA
La programación del vuelo se realiza previamente utilizando el software DJI Ground Station
Pro, donde se establece el área de estudio y los parámetros de vuelo como el tipo de
modelo de cámara del VANT, altura de vuelo, porcentaje de traslape longitudinal y
transversal entre imágenes, como se muestra en la figura 2. Con la finalidad de identificar
las fallas del pavimento y obtener los perfiles de las huellas de circulación, se propone
realizar vuelos a una altura de 20 m. para garantizar una resolución o GSD de 5mm por
pixel, asimismo, considera traslapes longitudinales y transversales de 80% para obtener
mayor número de puntos homólogos y una mejor correlación de los mismos.
Se establece una zona de despegue dentro o fuera de la zona de estudio donde no exista
ningún obstáculo para que el VANT pueda elevarse sin problemas. El piloto debe ejecutar
el vuelo realizando previamente un check list que asegura la viabilidad del vuelo:
Una vez que el VANT despega, no es necesario el control manual alguno por parte del
piloto, salvo se necesite cancelar o detener el vuelo ante cualquier problema que perjudique
el relevamiento de la información. Sin embargo, durante la ejecución del vuelo se puede
monitorear en tiempo real la ubicación, velocidad, trayectoria, imagen de transmisión,
número de satélites del GPS, cantidad de fotografías realizadas y porcentaje de la batería
del equipo como se muestra en la figura 3.
Después, el programa analiza y correlaciona los puntos característicos comunes entre las
imágenes para crear una nube de puntos densa como se muestra en la figura 5.
Luego, realiza la triangulación entre puntos para generar la malla que da como resultado
un modelo 3D digital de la zona de estudio como se aprecia en la figura 6.
Se obtiene la ortofoto georreferenciada de toda la zona de estudio con una gran resolución
como se aprecia en la figura 7.
Es por ello, que el software permite editar la ortofoto, obteniendo como resultado una vía
despejada de vehículos para poder realizar la inspección completa de la misma, esto es
posible ya que, al tener imágenes traslapadas, cada región del pavimento está capturada
en más de una fotografía, por lo cual la ortofoto es editable, como se aprecia en la figura
10.
Con los productos obtenidos se procede a la identificación de las fallas del pavimento,
determinando la longitud o área según el tipo de falla y su grado de severidad como se
muestra en la figura 11. Los datos obtenidos se introducen en hojas de inspección de
Con los productos obtenidos, se generan perfiles longitudinales de cada huella del
pavimento, obteniendo puntos cada 25 cm, como se aprecia en la figura 12.
Se exportan los puntos del perfil generado en cada huella y se calcula el Índice de
Rugosidad Internacional mediante el software PROVAL, programa patrocinado y avalado
por el departamento de transporte de los Estados Unidos, la administración general de
carreteras (FHWA) y el programa de desempeño de pavimentos a largo plazo (LTTP). El
programa permite visualizar y analizar los perfiles para determinar el IRI, como se aprecia
en la figura 13.
Para validar el método propuesto empelando drone, se aplicó el método en una vía de
prueba que consta de las siguientes características:
Con la finalidad de comparar y calibrar los resultados, se determinó el IRI con el método de
nivelación geométrica, obteniendo lecturas cada 25 cm. en un tramo de 100 m. tal como se
aprecia en la figura 15.
Asimismo, se analizaron los perfiles con el software PROVAL para la obtención del IRI en
cada una de ellas, obteniendo los siguientes resultados que se muestra en la tabla 1.
IRI m/km
H1 H2 H3 H4
Nivelación
6.59 6.45 5.76 5.72
Geometrica
Para mejorar la precisión del método se levantaron cinco puntos de apoyo ubicados dentro
del tramo de prueba como se aprecia en la figura 17.
P5
P2 P3
Se empleó un receptor GPS Diferencial para cada punto, obteniendo como resultados las
coordenadas que se muestra en la Tabla 2.
Luego, se programó el vuelo a una altura de 20 m. para obtener imágenes con una
resolución de 5 mm por pixel, con un traslape longitudinal y transversal de 80%. Se
estableció la zona de despegue y se procedió a la ejecución del vuelo como se aprecia en
la figura 18.
Con los productos obtenidos se generaron los perfiles de las huellas de circulación. La
figura 19 muestra el perfil de la huella 1 sin emplear puntos de apoyo.
Se analizaron los perfiles de cada huella con los 2 métodos mediante el software PROVAL,
obteniendo siguientes resultados que se muestra en la tabla 3.
IRI m/km
H1 H2 H3 H4
Nivelación
6.59 6.45 5.76 5.72
Geometrica
VANT con puntos
6.93 6.88 6.13 6.11
de apoyo
VANT sin puntos
7.11 7.01 6.39 6.24
de apoyo
La figura 21 muestra la ecuación de correlación entre el método VANT con puntos de control
y el método de nivelación geométrica obteniendo un coeficiente de correlación R 2=0.993.
Asimismo, la figura 22 muestra la ecuación de correlación entre el método VANT sin puntos
de control y el método de nivelación geométrica obteniendo un coeficiente de correlación
R2=0.988.
Figura 22 - Correlación entre método VANT sin puntos de apoyo vs método de Nivelación
Geométrica
Con la ortofoto de alta resolución se identifica las fallas del pavimento como grietas
longitudinales y transversales, huecos, parcheo, piel de cocodrilo como se aprecia en la
figura 23. Los datos son introducidos en hojas de inspección para el cálculo del Índice de
condición del pavimento en cada tramo de la vía.
6. DISCUSIÓN
Si bien es posible la aparición de vehículos en las imágenes obtenidas, éstos pueden ser
modificados en la ortofoto, a fin de obtener una vía completamente despejada para la
identificación de las fallas. Esto permite una evaluación sin generar tráfico en la vía y sin
poner en riesgo la vida de los evaluadores.
Es importante mencionar que la data relevada puede ser analizada cuantas veces sea
necesaria sin necesidad de realizar otro vuelo, además, permite en el tiempo poder
observar la evolución y aparición de nuevas fallas para tomar las decisiones correctivas
adecuadas.
REFERENCIAS
1. D6433–16 (2016). Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys.
American Society of Testing and Materials (ASTM), USA.
2. ASTM E1364 – 95 (2017). Standard Test Method for Measuring Road Roughness by Static Level Method.
3. Zhang C. & Elaksher A. (2012). An unmanned aerial vehicle-based imaging system for 3D measurement
of unpaved road surface distresses. Computer-Aided Civil and Infrastructure Engineering. Vol 27(2), pp.
118-129.
4. Gutiérrez J. (2016). Mecánica de Suelos Aplicada a las Vías de Transportes. Editorial Macro, Lima – Perú.
5. Cruz J. (2018). Índice de Condición del Pavimento mediante imágenes del vehículo aéreo no tripulado.
Universidad Nacional de Ingeniería. Lima – Perú.