×
IBM utiliza la IA para detectar grietas en las pistas de aterrizaje de los aeropuertos

Detectar grietas en infraestructuras civiles como puentes, carreteras y pistas de aeropuertos no es fácil, pero resulta crucial para evitar problemas mayores y mejorar las rutinas de mantenimiento.

Para abordar esta cuestión, nuestro equipo de IBM Research con sede en Zúrich ha desarrollado un modelo de inteligencia artificial (IA) que utiliza la visión por ordenador para detectar grietas diminutas en imágenes de alta resolución recogidas por drones. Para ello, nos hemos asociado con el Cantón de Zúrich; Pixmap, compañía de operaciones con drones, y Dubendorf, el aeropuerto militar a las afueras de Zúrich, para inspeccionar la superficie de la pista del aeródromo. El proyecto pondrá a prueba varios modelos diferentes de IA y su rendimiento, los resultados se esperan para otoño de 2023.

 

Los drones están listos para despegar

Para el proceso de inspección, un dron con cámara sobrevolará la pista y tomará fotografías. Nuestro modelo de IA aplicará automáticamente lo que se conoce como segmentación de instancias —una forma de detectar instancias de objetos individuales y encontrar sus límites— para identificar grietas en más de 10.000 imágenes. Este proceso permite que un experto en ingeniería civil revise directamente las zonas afectadas para evaluar el estado de la pista. Con la ayuda del GPS y la tecnología de unión de imágenes desarrollada por nuestro equipo, podemos crear representaciones de la pista para ayudar a los profesionales a encontrar y describir rápidamente dónde se encuentran dichos defectos ya sobre el terreno. La información sobre la longitud y anchura de las grietas se almacena automáticamente, de forma que pueda buscarse posteriormente.


Este no es el primer proyecto de inspección en el que trabajamos. Desde 2019, nuestro equipo colabora con Sund and Baelt (S&B), revisando el puente colgante más largo de Europa, el Storebælt. Se trata del tercer puente colgante más largo del mundo y une las partes occidental y oriental de Dinamarca. Como parte de esa iniciativa, nuestra IA ha inspeccionado más de 20 pilares del puente, diferenciando entre grietas, desprendimientos, algas y óxido con una precisión del 94%. Uno de los mayores retos que hemos abordado recientemente es ser capaces de localizar con precisión grietas de menos de un milímetro de ancho en una estructura de cientos de metros de largo, al tiempo que aumentamos la precisión de detección en las imágenes de alta resolución que capturamos. También hemos creado una herramienta para organizar, procesar y visualizar las grandes cantidades de datos que recopilamos con nuestras imágenes.


El año pasado, nuestro equipo también probó esta tecnología de inspección en el aeropuerto de Frankfurt, operado por Fraport. El objetivo de este proyecto era inspeccionar las pistas para detectar anomalías e identificar restos de objetos extraños u obstáculos como latas, botellas, residuos o pequeños trozos de metal. Utilizamos nuestras capacidades de visualización y unión de imágenes sobre los datos, lo que también nos ayudó a desarrollar la tecnología backend que utilizamos en Dubendorf.

 

Pasar a modelos basados en IA

Aunque el proyecto actual en Suiza también aborda la inspección de pistas de aterrizaje y despegue, hemos ido un paso más allá con la tecnología. Esperamos que los datos tengan un aspecto diferente de todo lo que captamos con el proyecto del puente, dadas las diferentes características que tienen una pista de aterrizaje y un puente, así como sus grietas. Para asegurarnos de obtener los mejores resultados posibles, necesitábamos datos anotados y específicos de cada tarea que nos ayudaran a construir nuevos modelos, lo que podía requerir mucho trabajo y tiempo.


En un esfuerzo por abordar este reto, hemos creado una nueva clase de modelos de IA a los que llamamos Modelos Fundacionales para la Inspección Visual. Se trata de modelos de aprendizaje profundo preentrenados con un gran conjunto de datos no etiquetados y específicos del dominio que pueden ajustarse en una cantidad menor de datos etiquetados, con menos etiquetas específicas de la tarea. Nuestro propósito es demostrar cómo el modelo puede utilizar más de 100.000 imágenes no etiquetadas relevantes para el  dominio para proporcionar un mejor resultado de inspección. Normalmente, los modelos fundacionales se entrenan de forma que el preentrenamiento no requiera datos etiquetados.


En nuestro caso, esto implica que los modelos fundacionales aprenden una representación general de las superficies del hormigón y las pistas. A partir de ahí, la IA puede buscar grietas una vez que el modelo de cimentación se ha ajustado a la configuración específica de detección de grietas en el puente o pista concretos.


Este enfoque funciona mejor con menos datos etiquetados que el uso de enfoques de deep learning, que requieren un entrenamiento end-to-end de los datos del cliente. El modelo subyacente podría utilizarse potencialmente para inspeccionar defectos en cualquier gran superficie, como túneles, pavimentos de calles o presas. Las futuras actualizaciones de esta tecnología se centrarán en mejorar la velocidad general de funcionamiento cuando se trabaje con imágenes de mala calidad, dado que no siempre se pueden inspeccionar superficies en un día maravillosamente despejado. También seguiremos centrándonos en cómo escalar los modelos para que computen más rápido con recursos limitados, de forma que podamos ofrecer resultados más rápidos y rentables.