La clasificación de calidad superficial de TarmacView asigna una calificación ordinal del 1 al 5 (1=Excelente, 5=Muy Malo) basada en el voto mayoritario de kNN coseno sobre un conjunto de referencia ajustado de DINOv3. Los grados de calidad impulsan la evaluación de condición, la priorización de reparaciones y la detección de problemas en inspecciones viales en redes de pavimento.
El sistema de grados de calidad de TarmacView asigna la condición visual de una superficie de pavimento a una escala ordinal del 1 al 5, donde 1 representa una superficie Excelente y 5 representa una superficie Muy Mala. Esta clasificación de cinco niveles sigue el principio de calificaciones categóricas ordenadas que se encuentra en la práctica establecida de gestión de pavimentos, aunque está específicamente calibrada para la salida de un espacio de embeddings de visión artificial en lugar de un protocolo manual basado en deterioros.
Los cinco grados de calidad se definen de la siguiente manera:
Grado 1 — Excelente (Muy Bueno). Una superficie de pavimento en condición Grado 1 no presenta defectos visibles de ningún tipo. La textura superficial es uniforme, el color es consistente y no hay evidencia de agrietamiento, desprendimiento de agregados, baches, parcheos, exudación ni ninguna otra forma de deterioro superficial. La superficie aparenta ser un pavimento recién construido o recientemente rehabilitado. Las juntas (si las hay) están apretadas y bien selladas. En la práctica, el Grado 1 representa la condición de referencia ideal contra la cual se miden todos los demás grados. Las secciones de carretera con un grado de calidad mediano de 1 no requieren intervención de mantenimiento en el ciclo de planificación actual.
Grado 2 — Bueno. Las superficies de Grado 2 muestran signos menores de desgaste, pero siguen siendo estructuralmente sólidas y funcionalmente adecuadas. Puede haber un agrietamiento muy leve, pero las grietas son estrechas (capilares, de menos de 1/8 de pulgada de ancho) y no están interconectadas. No hay descascaramientos, desprendimiento significativo de agregados ni parcheos. La textura superficial puede mostrar una ligera oxidación o cambio de color debido a la exposición ambiental, pero la integridad del pavimento está completamente intacta. Las superficies de Grado 2 son adecuadas para mantenimiento preventivo rutinario como sellado de grietas o nieblas de sello, pero no requieren reparaciones estructurales.
Grado 3 — Regular. Un pavimento de Grado 3 está en condición regular, lo que significa que hay deterioro visible pero la superficie sigue siendo utilizable. Se puede observar un agrietamiento moderado, incluyendo grietas transversales, longitudinales o en bloque con anchos de hasta aproximadamente 1/4 de pulgada. Puede haber desprendimiento ligero de agregados. Los parcheos pueden cubrir un pequeño porcentaje del área superficial (típicamente menos del 10%). La superficie muestra signos claros de envejecimiento y exposición ambiental, pero aún no ha alcanzado un estado en el que la capacidad estructural esté comprometida. Las superficies de Grado 3 son candidatas para tratamientos de preservación como sellos de lechada, microaglomerados o capas delgadas.
Grado 4 — Pobre. Las superficies de Grado 4 exhiben un deterioro visible significativo que afecta la calidad de conducción y el rendimiento funcional. Hay agrietamiento moderado a severo, incluyendo agrietamiento por fatiga (piel de cocodrilo) en las huellas de rodamiento. Los anchos de las grietas superan 1/4 de pulgada, y puede observarse descascaramiento a lo largo de los bordes de las grietas. El desprendimiento de agregados es moderado a avanzado, con pérdida de agregado superficial. Los parcheos pueden cubrir del 10 al 30% del área superficial. Puede haber ahuellamiento de más de 1/2 pulgada de profundidad. El pavimento sigue siendo utilizable pero se acerca al final de su vida útil y requiere rehabilitación en lugar de mantenimiento rutinario. Las carreteras de Grado 4 son candidatas para capas estructurales u operaciones de fresado y relleno.
Grado 5 — Muy Malo (Fallado). El Grado 5 representa el pavimento en la peor categoría de condición. Agrietamiento severo extenso, incluyendo agrietamiento por fatiga avanzado con patrones de grietas interconectados que forman piezas superficiales sueltas. Puede haber baches. El desprendimiento de agregados es avanzado con pérdida significativa de agregados. Los parcheos cubren más del 30% de la superficie, o los parches mismos están fallando. El ahuellamiento puede superar 1 pulgada. La superficie está severamente deteriorada y presenta una superficie de rodadura deficiente que puede plantear problemas de seguridad. Los pavimentos de Grado 5 requieren reconstrucción o rehabilitación mayor.
Esta escala ordinal del 1 al 5 es intencionalmente más gruesa que la escala continua de PCI de 0 a 100 utilizada en la norma ASTM D6433. La granularidad más gruesa refleja la precisión alcanzable de la clasificación visual automatizada y se alinea con los niveles típicos de decisión de gestión de pavimentos a nivel de red. Las agencias pueden asignar los cinco grados de calidad a sus propios niveles de activación de mantenimiento y rehabilitación.
El grado de calidad no se asigna mediante una red neuronal de clasificación tradicional con una capa de salida softmax. En su lugar, se calcula a través de un voto mayoritario de k-vecinos más cercanos (kNN) por coseno que opera en el espacio de embeddings de un transformer de visión DINOv3 ajustado. Este enfoque es fundamentalmente diferente de la clasificación de extremo a extremo y ofrece ventajas distintivas en interpretabilidad, robustez y la capacidad de detectar superficies fuera de distribución.
El proceso funciona de la siguiente manera. Cada baldosa de imagen de pavimento se procesa a través de un backbone de Transformer de Visión (ViT) basado en DINOv3. DINOv3 es el modelo de aprendizaje autosupervisado de tercera generación de Meta AI para visión artificial, entrenado con más de 1.7 mil millones de imágenes y hasta 7 mil millones de parámetros. Produce representaciones densas de características visuales que capturan tanto información de textura local (grano superficial, patrones de grietas, exposición de agregados) como contexto estructural global (espaciado de juntas, geometría de carril, uniformidad superficial general). La salida del ViT es un vector de embedding de 768 dimensiones que sirve como una huella digital numérica compacta del contenido visual de la baldosa.
Este vector de embedding se compara luego con un conjunto de referencia curado — una colección de embeddings de baldosas de pavimento para los cuales se han establecido grados de calidad reales mediante evaluadores humanos expertos. La métrica de comparación es la similitud de coseno, definida como:
similitud_coseno(A, B) = (A · B) / (||A|| × ||B||)
donde A y B son los dos vectores de embedding. La similitud de coseno varía de -1 (perfectamente opuesto) pasando por 0 (ortogonal, no correlacionado) hasta +1 (dirección idéntica). Para embeddings normalizados, la similitud de coseno es equivalente al producto punto. En la práctica, los embeddings de baldosas de pavimento tienden a tener valores positivos y estar bien agrupados por grado de calidad, por lo que los valores de similitud de coseno entre baldosas del mismo grado suelen estar entre 0.85 y 0.99, mientras que las similitudes entre grados diferentes son más bajas.
El sistema identifica los k vecinos más cercanos (en la implementación euclidiana de kNN, pero con similitud de coseno como métrica de distancia, por lo que efectivamente son los k embeddings de referencia más similares). TarmacView utiliza k = 5 como tamaño de vecindario predeterminado. Cada uno de los cinco vecinos más cercanos emite un voto por su grado de calidad real. El grado que recibe el voto mayoritario (la moda) se asigna a la baldosa de entrada. En caso de empate (por ejemplo, dos vecinos votan grado 2, dos votan grado 3 y uno vota grado 4), un esquema de votación ponderada basado en la magnitud de la similitud de coseno rompe el empate, donde los vecinos con mayor similitud reciben un peso proporcionalmente mayor.
El uso de kNN por coseno en lugar de un clasificador entrenado ofrece varios beneficios. Primero, el sistema puede manejar de forma natural distribuciones de clase multimodales — una superficie que visualmente se asemeja tanto a baldosas de referencia de Grado 3 como de Grado 4 recibirá un grado que refleje esa ambigüedad en lugar de ser forzada a un límite de decisión lineal único. Segundo, el conjunto de referencia puede actualizarse incrementalmente sin reentrenar el backbone de visión: simplemente se añaden nuevas baldosas de referencia con grados asignados por expertos a la base de datos de embeddings. Tercero, si una baldosa de entrada produce una similitud de coseno baja con todos los embeddings de referencia (por debajo de un umbral como 0.6), el sistema la marca como fuera de distribución, indicando un tipo de superficie o condición no bien representada en el conjunto de referencia.
El modelo de grado de calidad alcanza una precisión de coincidencia exacta medida de aproximadamente 0.666 (66.6%). Esto significa que para cualquier baldosa de pavimento dada, el modelo asigna el grado de calidad exactamente correcto aproximadamente dos tercios de las veces. Si bien el 66.6% puede parecer modesto a primera vista, la naturaleza ordinal de la escala implica que incluso una predicción inexacta rara vez es catastróficamente errónea — una baldosa de Grado 2 predicha como Grado 3 es mucho menos grave que un clasificador binario que confunda “aprobado” con “reprobado”.
La métrica más significativa desde el punto de vista operativo es la precisión de error de un grado, que alcanza 0.999 (99.9%). La precisión de error de un grado mide la proporción de predicciones que están dentro de un nivel de grado del valor real. Un valor de 0.999 significa que prácticamente todas las baldosas se clasifican correctamente o a un nivel de grado de distancia de lo correcto. Las predicciones que se desvían en dos o más niveles de grado ocurren a una tasa de aproximadamente el 0.1% — aproximadamente una de cada mil baldosas. Este nivel de rendimiento es excepcional para una tarea de clasificación visual ordinal de 5 clases y refleja tanto la calidad de los embeddings de DINOv3 como la cuidadosa curación del conjunto de referencia.
El Error Absoluto Medio (MAE) del modelo es de aproximadamente 0.34 en la escala del 1 al 5. El MAE se calcula como el promedio de |grado_predicho - grado_real| en todas las baldosas. Un MAE de 0.34 significa que el error de predicción promedio es inferior a medio nivel de grado. En términos prácticos, una sección de carretera compuesta por 100 baldosas con una calidad mediana real de 2.5 recibiría una calidad mediana predicha entre aproximadamente 2.2 y 2.8 — muy dentro de la tolerancia aceptable para decisiones de gestión de pavimentos a nivel de red.
Estas métricas de precisión se validan mediante validación cruzada de k iteraciones (típicamente 5 iteraciones) contra el conjunto de referencia, asegurando que el rendimiento no esté sobreadaptado a una partición particular de entrenamiento/prueba. El conjunto de referencia en sí mismo es calificado por múltiples evaluadores expertos, y el acuerdo entre evaluadores (Kappa de Cohen) se mide para establecer un límite superior del rendimiento alcanzable del modelo — si los expertos humanos discrepan en el grado de una baldosa en un promedio de 0.4, entonces un modelo con MAE de 0.34 puede considerarse que funciona al nivel o cerca del límite humano.
La matriz de confusión para el modelo de grado de calidad muestra que la mayoría de los errores ocurren entre grados adyacentes (Grado 1↔Grado 2, Grado 2↔Grado 3, Grado 3↔Grado 4, Grado 4↔Grado 5). Los errores que saltan un grado (Grado 1↔Grado 3, Grado 2↔Grado 4, Grado 3↔Grado 5) son extremadamente raros. Las matrices de confusión con diagonal dominante de este tipo son características de clasificadores ordinales bien entrenados y confirman que el espacio de embeddings captura un continuo de calidad significativo en lugar de una categorización arbitraria.
Una propiedad crítica del sistema de grados de calidad es su independencia del tipo de superficie. El grado de calidad describe la condición de una superficie de pavimento independientemente de si la superficie es asfalto (pavimento flexible), hormigón (pavimento rígido), pavimento compuesto o un tratamiento superficial como sello de gravilla o microaglomerado. Esta independencia se logra mediante el diseño del proceso de entrenamiento de embeddings de DINOv3 y la composición del conjunto de referencia.
El backbone de DINOv3 está preentrenado con 1.7 mil millones de imágenes diversas utilizando objetivos de aprendizaje autosupervisado (autodestilación sin etiquetas, modelado de imágenes enmascaradas y aprendizaje contrastivo). Este corpus masivo de preentrenamiento incluye imágenes de muchos tipos de superficie, texturas y materiales diferentes. El modelo aprende a atender características relevantes para la condición (grietas, desprendimiento, parches, pérdida de textura) mientras es invariante a características específicas del tipo (la diferencia de color entre el asfalto oscuro y el hormigón claro, el patrón de espaciado de juntas del hormigón versus la superficie continua del asfalto).
Durante el ajuste fino con aprendizaje contrastivo supervisado, el proceso de entrenamiento impone explícitamente que las baldosas del mismo grado de calidad pero de diferentes tipos de superficie se asignen a posiciones cercanas en el espacio de embeddings. La función de pérdida contrastiva supervisada agrupa los embeddings de baldosas que comparten la misma etiqueta de calidad (los pares “ancla-positivo”) y separa los embeddings de baldosas con etiquetas diferentes. Cuando el conjunto de referencia incluye tanto baldosas de asfalto Grado 3 como baldosas de hormigón Grado 3, el proceso de entrenamiento aprende a codificar las características visuales comunes del deterioro de Grado 3 (agrietamiento moderado, algo de desprendimiento, envejecimiento visible) mientras suprime la apariencia específica del tipo de superficie.
La consecuencia práctica es que un solo modelo de grado de calidad puede aplicarse en una red de carreteras heterogénea. Una agencia vial que gestiona una mezcla de carreteras asfálticas, autopistas de hormigón, pavimentos compuestos y carreteras rurales con sello de gravilla no necesita modelos separados por tipo de superficie. El mismo codificador DINOv3 y el mismo conjunto de referencia producen grados de calidad válidos para todas las superficies.
Las pruebas de validación confirman la independencia del tipo de superficie. Cuando el modelo se entrena con un conjunto de referencia que contiene 80% de baldosas de asfalto y 20% de baldosas de hormigón, y luego se evalúa en un conjunto de prueba de baldosas exclusivamente de hormigón, las métricas de precisión (coincidencia exacta, error de un grado, MAE) no son estadísticamente diferentes de las métricas en baldosas de asfalto. El espacio de embeddings generaliza entre materiales sin requerir etiquetas explícitas de tipo de superficie durante la inferencia.
Las baldosas individuales de imágenes de pavimento reciben grados de calidad por baldosa, pero las decisiones operativas requieren grados a nivel de sección de carretera. TarmacView agrega los grados de calidad por baldosa al nivel de sección utilizando la mediana como estadístico, calculada sobre todas las baldosas que pertenecen a una sección de carretera.
La elección de la mediana sobre la media es deliberada y está matemáticamente justificada. La mediana es un estadístico robusto que es resistente a valores atípicos. Una sola baldosa mal clasificada por dos grados (un evento raro dada la precisión de error de un grado de 0.999) afectaría la media pero no desplazaría la mediana. De manera similar, los artefactos superficiales transitorios como gotas de aceite, marcas de neumáticos, charcos de agua o residuos que hacen que una baldosa reciba un grado anómalo son filtrados por la agregación de la mediana.
El proceso de agregación sigue este pipeline:
Se imageniza una sección de carretera (típicamente un segmento de 0.1 milla o 0.5 milla definido por el Sistema de Referencia de Localización de la agencia). El vehículo de imagen captura fotogramas de imagen superpuestos o contiguos a lo largo de la longitud de la sección.
Cada fotograma de imagen se recorta centralmente y se divide en baldosas — típicamente de 4 a 12 baldosas por imagen dependiendo de la resolución de la cámara y el tamaño deseado de la baldosa (comúnmente 224×224 píxeles, que coincide con el tamaño de entrada de DINOv3).
Cada baldosa se procesa de forma independiente a través del pipeline de grado de calidad (codificador DINOv3 → kNN por coseno → voto mayoritario), produciendo un grado de calidad por baldosa del 1 al 5.
Se calcula la mediana de todos los grados por baldosa en la sección. Para un número par de baldosas, se toma el menor de los dos valores centrales (enfoque conservador).
El grado de calidad a nivel de sección es el valor de la mediana, que puede ser un número no entero si se utiliza interpolación, aunque TarmacView generalmente reporta el piso entero o la categoría modal para la toma de decisiones.
El número de baldosas por sección depende de la configuración de imagen. A una tasa típica de captura de 10 fotogramas por segundo a velocidad de autopista, una sección de 0.5 millas produce de 200 a 400 baldosas (asumiendo 4 baldosas por fotograma y de 10 a 15 fotogramas por 0.1 milla). La mediana de 200-400 grados independientes proporciona una alta confianza estadística. El error estándar de la mediana disminuye a medida que la raíz cuadrada del número de baldosas, por lo que las secciones más largas (más baldosas) producen grados más estables.
Se puede reportar una métrica de confianza junto con el grado agregado. El rango intercuartílico (IQR) de los grados por baldosa dentro de una sección indica la uniformidad de la condición superficial. Una sección con grado mediano 2 e IQR de 0 (todas las baldosas grado 2) es uniformemente buena. Una sección con grado mediano 2 e IQR de 2 (las baldosas varían de grado 1 a grado 3) indica una condición heterogénea con defectos localizados que una mediana por sí sola enmascararía.
El grado de calidad sirve como la entrada principal para la evaluación general de la condición del pavimento de TarmacView. La evaluación de condición transforma los grados de calidad brutos en soporte de decisiones de ingeniería y financieras procesables.
En el nivel más básico, la condición de una carretera se expresa como su grado de calidad mediano. Las agencias establecen umbrales de activación que determinan cuándo una sección de carretera pasa de una categoría de gestión a otra:
| Grado de Calidad | Categoría de Condición | Activación de Acción Típica |
|---|---|---|
| 1 (Excelente) | No se necesita intervención | Solo monitoreo |
| 2 (Bueno) | Mantenimiento preventivo | Sellado de grietas, niebla de sello |
| 3 (Regular) | Preservación | Sello de lechada, microaglomerado, capa delgada |
| 4 (Pobre) | Rehabilitación | Capa estructural, fresado y relleno |
| 5 (Muy Malo) | Reconstrucción | Reciclaje en profundidad, reconstrucción |
Estos activadores no son fijos — las agencias los calibran según sus ciclos presupuestarios, objetivos de rendimiento y tolerancia al riesgo. Una agencia con buen financiamiento podría activar la rehabilitación en el Grado 3, buscando mantener toda la red en condición Excelente/Buena. Una agencia con restricciones presupuestarias podría diferir la rehabilitación hasta el Grado 4, aceptando una mayor proporción de carreteras en condición Regular.
La evaluación de condición también calcula el porcentaje de la red en cada categoría de grado. Estas estadísticas a nivel de red proporcionan un indicador de salud de alto nivel. Por ejemplo, una red con el 60% de las millas-carril en Grado 1-2, el 25% en Grado 3 y el 15% en Grado 4-5 es una red saludable con un rezago manejable. Una red con el 40% en Grado 4-5 señala un problema significativo de mantenimiento diferido.
La transición de grado año tras año (el cambio en el grado de calidad desde el ciclo de inspección anterior hasta el actual) es una medida de la tasa de deterioro del pavimento. Las secciones que disminuyen en uno o más niveles de grado entre ciclos de inspección se marcan para investigación prioritaria, ya que pueden estar deteriorándose más rápido que el promedio de la red.
Los informes de evaluación de condición producidos por TarmacView combinan los grados de calidad con otras fuentes de datos — tipo de superficie, volumen de tráfico (TPDA), clase funcional (arterial, colectora, local) y zona climática — para producir puntuaciones de condición ponderadas por riesgo. Una carretera de Grado 4 con un TPDA de 50,000 recibe una puntuación de prioridad más alta que una carretera de Grado 4 con un TPDA de 200, porque el deterioro en la carretera de alto volumen afecta a más usuarios y conlleva mayores costos por demora de los usuarios.
Las inspecciones viales son exámenes sistemáticos de redes de pavimento realizados en ciclos fijos (anual, bienal o trienalmente dependiendo de los recursos de la agencia y el tamaño de la red). El grado de calidad transforma el proceso de inspección vial de una actividad manual, subjetiva y laboriosa en una operación de recopilación de datos totalmente automatizada, objetiva y escalable.
En una inspección vial visual tradicional, evaluadores capacitados recorren la red a 15-25 mph, evaluando visualmente cada sección y registrando los tipos de deterioro, niveles de severidad y extensión. Este proceso es lento, costoso y está sujeto a la variabilidad entre evaluadores. Incluso con rigurosos programas de formación y certificación, dos evaluadores que evalúen la misma sección pueden asignar calificaciones diferentes. La Guía Práctica de la FHWA para la Gestión de la Calidad de los Datos de Condición del Pavimento documenta que la reproducibilidad entre evaluadores es uno de los aspectos más desafiantes de las inspecciones manuales.
La inspección vial automatizada de TarmacView reemplaza la evaluación visual manual con el pipeline de grado de calidad. El vehículo de inspección recorre la red a velocidades normales de tráfico (55-70 mph en autopistas), capturando imágenes de alta resolución a tasas de 10-30 fotogramas por segundo. Las imágenes se procesan a través del pipeline de grado de calidad después de la inspección. Una red de 1,000 millas que requeriría de 40 a 60 horas de inspección manual (a 15-25 mph) puede inspeccionarse en menos de 20 horas a velocidades de autopista, sin esfuerzo de calificación humana.
La inspección automatizada produce grados de calidad que son objetivamente repetibles. La misma sección inspeccionada en dos días diferentes, con dos vehículos diferentes, a dos velocidades diferentes, recibirá el mismo grado de calidad (asumiendo una condición superficial estable). Esta repetibilidad es una mejora crítica respecto a las inspecciones manuales, donde la fatiga del evaluador, la deriva atencional y el juicio subjetivo introducen ruido en las mediciones.
Los datos de inspección vial se alimentan directamente a los Sistemas de Gestión de Pavimentos (PMS) . La mayoría del software de PMS espera datos de condición en un formato específico — típicamente una puntuación de índice de condición y/o un conjunto de mediciones de deterioro. Los grados de calidad de TarmacView se exportan en formatos compatibles con AASHTOWare, dTIMS y otras plataformas principales de PMS. La integración permite a las agencias utilizar los grados de calidad como entrada de condición para la modelización del rendimiento, el análisis de costos del ciclo de vida y la priorización de proyectos.
La inspección también detecta problemas — defectos localizados que merecen atención antes del próximo ciclo de inspección programado. Cuando se detecta una baldosa con grado de calidad 4 o 5 dentro de una sección con grado mediano 2, el sistema marca la ubicación como un punto crítico. Los informes de inspección incluyen tanto el grado agregado a nivel de sección como las coordenadas GPS precisas de las baldosas problemáticas individuales, lo que permite inspecciones de campo específicas y reparación rápida.
Para cualquier sistema de medición utilizado para la gestión longitudinal (año tras año) de pavimentos, la estabilidad — la propiedad de producir resultados consistentes bajo condiciones variables pero no materiales — es esencial. El sistema de grado de calidad está diseñado para ser estable en tres dimensiones de variación: temporal, iluminación y cámara.
Estabilidad temporal se refiere a la consistencia de los grados de calidad cuando la misma sección de pavimento se inspecciona en diferentes momentos. Una sección que no se ha deteriorado físicamente debe recibir el mismo grado en la Inspección 1 (mes 0) y en la Inspección 2 (mes 12). La estabilidad temporal se valida mediante pasadas de inspección repetidas realizadas el mismo día y en días diferentes. Los resultados de las pruebas muestran que el 95% de las secciones reciben grados de calidad medianos idénticos en pasadas repetidas dentro del mismo ciclo de inspección. El 5% restante muestra una variación de como máximo un nivel de grado, típicamente atribuible a condiciones superficiales transitorias (agua, residuos, sombras) más que a inestabilidad del modelo.
Estabilidad de iluminación aborda la variación en las condiciones de iluminación entre pasadas de inspección. Las superficies de pavimento imagenizadas bajo luz solar directa, condiciones nubladas, amanecer, atardecer y sombra pueden verse visualmente diferentes aunque la condición física sea idéntica. El espacio de embeddings de DINOv3 se entrena con aumento de datos extenso que incluye ajustes aleatorios de brillo, contraste, saturación y tono. Este aumento asegura que el modelo no se base en señales de iluminación al determinar la calidad. El clasificador kNN por coseno contribuye aún más a la estabilidad de iluminación porque la métrica de similitud de coseno es invariante a la magnitud del vector — una imagen oscurecida produce un embedding con magnitudes más pequeñas pero la misma dirección, por lo que su similitud con los embeddings de referencia no se ve afectada en gran medida.
Las pruebas confirman la estabilidad de iluminación. Cuando se imagenizan 500 secciones de control bajo tres condiciones de iluminación (sol brillante, nublado denso y amanecer/atardecer), los grados de calidad medianos por sección muestran un Kappa de Fleiss de 0.91 entre condiciones, lo que indica un acuerdo casi perfecto. Las secciones imagenizadas bajo iluminación no ideal (nocturna, sombras densas de estructuras al borde de la carretera) se marcan y se excluyen del resultado de la inspección.
Estabilidad de cámara aborda la variación en el hardware de imagen. Las inspecciones realizadas con diferentes cámaras (diferentes tamaños de sensor, distancias focales de lente, resoluciones o perfiles de color) producen grados de calidad consistentes dentro de un MAE de 0.15. Esto se logra estandarizando el pipeline de procesamiento de imágenes: todas las imágenes sin procesar se convierten a un espacio de color común (sRGB con punto blanco D65), se redimensionan a una resolución fija (típicamente 1920×1080 o 2048×1536 píxeles) y se recortan centralmente a un campo de visión consistente antes del baldoseado. El modelo de embeddings solo ve las baldosas estandarizadas, no la salida sin procesar de la cámara.
La estabilidad de cámara es importante para las agencias que utilizan múltiples vehículos de inspección o que actualizan el hardware de cámara entre ciclos de inspección. El sistema de grado de calidad mantiene una línea base de medición consistente incluso cuando cambia el hardware de imagen.
La escala de grado de calidad (ordinal del 1 al 5) coexiste con los índices de condición de pavimento establecidos, pero ocupa un rol diferente en el ecosistema de gestión de pavimentos. Comprender la relación entre el grado de calidad y estos otros índices es esencial para las agencias que integran TarmacView en sus flujos de trabajo existentes.
Índice de Condición del Pavimento (PCI) está definido por la norma ASTM D6433 y es un índice continuo de 0 a 100. El PCI se calcula realizando una inspección detallada de deterioros: identificar todos los tipos de deterioro presentes (hay 19 tipos de deterioro para asfalto y 15 para hormigón), medir la severidad de cada uno (baja, media, alta) y cuantificar la extensión (como porcentaje del área o longitud lineal). El cálculo del PCI aplica valores de deducción especificados en la norma, resta las deducciones totales de 100 y obtiene la puntuación del PCI. El PCI es el índice de condición de pavimento más utilizado en América del Norte y es requerido por muchos departamentos de transporte estatales.
| Rango de PCI | Categoría de Condición |
|---|---|
| 86-100 | Excelente |
| 71-85 | Buena |
| 56-70 | Satisfactoria |
| 41-55 | Regular |
| 26-40 | Pobre |
| 11-25 | Muy Pobre |
| 0-10 | Fallada |
El grado de calidad se correlaciona con el PCI pero no se asigna linealmente al mismo. Un grado de calidad de 1 generalmente corresponde a un PCI de 86-100 (Excelente). El Grado 2 se asigna aproximadamente a un PCI de 56-85 (Buena a Satisfactoria). El Grado 3 se asigna a un PCI de 26-55 (Regular a Pobre). El Grado 4 se asigna a un PCI de 11-40 (Pobre a Muy Pobre). El Grado 5 se asigna a un PCI de 0-25 (Muy Pobre a Fallada). Sin embargo, la asignación tiene varianza — una sección con agrietamiento extenso pero de baja severidad (PCI ~45) podría recibir un grado de calidad 3, mientras que una sección con un solo bache severo pero una superficie por lo demás sana (PCI ~50) también podría recibir un grado de calidad 3. El grado de calidad es una evaluación visual holística más que un cálculo de ingeniería de deterioros.
Índice de Serviciabilidad del Pavimento (PSR) e Índice de Serviciabilidad Actual (PSI) son medidas más antiguas que datan del Ensayo Vial AASHO (1958-1960). El PSR es una calificación subjetiva de 0 a 5 asignada por un panel de evaluadores que recorren el pavimento. El PSI es un índice calculado a partir de mediciones de rugosidad, agrietamiento, parcheos y ahuellamiento. El grado de calidad difiere del PSR/PSI en que es puramente visual (no se basa en la calidad de conducción o rugosidad) y está completamente automatizado (no requiere un panel humano).
Índice de Rugosidad Internacional (IRI) mide la rugosidad del perfil longitudinal en pulgadas por milla (o metros por kilómetro). El IRI es una medida funcional de la calidad de conducción. El grado de calidad es una medida estructural/visual de la condición superficial. Ambos son complementarios pero no intercambiables: un pavimento con agrietamiento por fatiga severo pero IRI bajo (liso pero agrietado) tendría un grado de calidad pobre pero un IRI aceptable, mientras que un pavimento con levantamiento por heladas pero superficie intacta tendría un buen grado de calidad pero un IRI pobre. Las agencias deberían recopilar tanto el IRI como el grado de calidad para obtener una imagen completa de la condición.
Índice de Calidad del Pavimento (PQI) es un índice compuesto que combina IRI, ahuellamiento y deterioro superficial en una sola puntuación. El PQI es utilizado por algunas agencias como una alternativa simplificada al PCI. El grado de calidad puede servir como el componente de deterioro superficial de una fórmula de PQI, reemplazando las inspecciones manuales de deterioro con el grado de calidad automatizado.
Las agencias también pueden calcular un PCI proxy a partir del grado de calidad. Al entrenar un modelo de regresión que asigna el grado de calidad (más características auxiliares como el tipo de superficie y la edad) a valores de PCI medidos en las mismas secciones, las agencias pueden generar resultados de condición compatibles con PCI a partir del pipeline automatizado de grado de calidad. El PCI proxy tiene una granularidad menor que una inspección manual completa de PCI (7 categorías de PCI frente a 100 valores discretos), pero es adecuado para la planificación a nivel de red y evita el costo de las inspecciones manuales.
La etapa final del pipeline de grado de calidad es la producción de informes que comunican la condición del pavimento a las partes interesadas: ejecutivos de la agencia, ingenieros, planificadores de mantenimiento, funcionarios electos y el público. Los datos de grado de calidad se presentan en múltiples niveles de agregación.
Paneles de control a nivel de red muestran la distribución de millas-carril por grado de calidad en toda la red de la agencia. Un gráfico circular o un gráfico de barras apiladas muestra el porcentaje de la red en cada grado. Las líneas de tendencia muestran cómo ha cambiado la distribución a lo largo de ciclos de inspección sucesivos. Una métrica de “porcentaje bueno” (el porcentaje de millas-carril en Grado 1-2) es un indicador clave de rendimiento (KPI) comúnmente objetivo de los planes estratégicos de las agencias. El panel también muestra el rezago de mantenimiento diferido — el costo estimado para llevar todas las secciones de Grado 4-5 al menos a Grado 3.
Informes a nivel de sección enumeran cada sección de carretera en la red con su grado de calidad mediano, el número de baldosas inspeccionadas, el IQR (uniformidad de la condición), el cambio de grado año tras año y la acción recomendada según los umbrales de activación de la agencia. Las secciones se ordenan típicamente por prioridad (peor grado primero, o puntuación de riesgo más alta primero). Estos informes son los documentos de trabajo principales para el desarrollo del programa de mantenimiento.
Mapas de ubicación de problemas superponen datos de grado de calidad en un sistema de información geográfica (SIG). Cada carretera se codifica por colores según su grado de calidad mediano (por ejemplo, verde=Grado 1, amarillo=Grado 2, naranja=Grado 3, rojo=Grado 4, rojo oscuro=Grado 5). Los puntos críticos (baldosas individuales de Grado 5 dentro de secciones mejores) se marcan con símbolos de punto. El mapa permite una identificación visual rápida de la condición de la red y la ubicación de las peores secciones.
Entradas para el plan de gestión de activos formatean los datos de grado de calidad para su integración con el análisis de costos del ciclo de vida (LCCA) y los modelos de planificación a largo plazo. El grado sirve como condición inicial para los modelos de predicción de rendimiento que pronostican la condición futura bajo diferentes escenarios presupuestarios. Los modelos utilizan curvas de deterioro calibradas a la escala de grado de calidad: una sección que comienza en Grado 1 se deteriorará a Grado 2 después de N años, a Grado 3 después de M años, etc., con los tiempos de transición dependiendo del tipo de superficie, el tráfico, el clima y el historial de mantenimiento.
Resúmenes ejecutivos proporcionan una síntesis de alto nivel para los tomadores de decisiones no técnicos. Un resumen ejecutivo típico indica el grado de calidad promedio de la red, el porcentaje de la red en condición Buena/Regular/Pobre, el cambio respecto a la inspección anterior y la brecha de financiamiento requerida para alcanzar la condición objetivo.
La elaboración de informes de grado de calidad sigue los principios de gestión de calidad de datos descritos en la Guía Práctica de la FHWA. Los informes incluyen metadatos sobre la inspección: fechas de inspección, número de baldosas recopiladas, integridad de los datos (porcentaje de la red inspeccionada con éxito), indicadores de control de calidad (secciones donde problemas de iluminación o cámara afectaron los datos) e intervalos de confianza para los grados a nivel de sección. Esta transparencia permite a las agencias evaluar la fiabilidad de los grados reportados y tomar decisiones informadas.
TarmacView proporciona clasificación automatizada de la calidad superficial utilizando visión artificial de última generación. Contáctenos para conocer cómo nuestra escala de calidad del 1 al 5 puede mejorar sus decisiones de gestión de pavimentos.
Un PCI proxy es un grado de condición ordinal y transparente (1-5, Bueno a Grave) derivado de características visibles de la imagen — grado de calidad, geometrí...
Una inspección de deterioro del pavimento identifica, clasifica y mide sistemáticamente cada tipo de deterioro, su severidad y extensión en una sección de pavim...
Solo de laboratorio se refiere a propiedades del pavimento que no pueden determinarse de forma confiable a partir de imágenes RGB individuales — contenido de as...
