IA y gestión de datos: convertir miles de fotos en registros sobre los que actuar

La IA de imagen en inspección es sobre todo aprendizaje profundo: aprende el aspecto de grietas, óxido y demás a partir de grandes conjuntos de fotos etiquetadas. Por nivel de detalle, hay tres tipos de tarea.

En la práctica se encadenan: la clasificación acota las imágenes que parecen sospechosas, la detección o la segmentación extraen posición y forma, y los resultados se superponen a la fotogrametría para situar cada defecto en un elemento. Las imágenes deficientes derrotan a cualquier modelo; la mitad de la precisión de la IA la decide la planificación de la captura.

El rendimiento depende menos del nombre del modelo que de con qué aprendió. Existen conjuntos de datos públicos de investigación, como colecciones de imágenes de grietas en hormigón (p. ej., SDNET2018, más de 56 000 imágenes de tableros de puentes, muros y pavimentos) y conjuntos multidefecto de puentes con cinco clases de defectos solapadas (p. ej., CODEBRIM). Pero los modelos entrenados solo con datos públicos casi siempre tropiezan en el campo.

• Cambio de dominio: materiales, suciedad, luz, cámaras y distancias distintas de los datos de entrenamiento degradan el rendimiento.
• Parecidos: marcas de encofrado, juntas, parches de reparación, sombras, regueros de lluvia, cables, grafitis. Deben aprenderse como «no es un defecto».
• Desequilibrio: dominan las imágenes sin defectos. Cuanto más raro es un defecto, menos ejemplos hay y más fallos de detección.
• Ruido de etiquetado: distintas personas trazan la misma grieta de forma distinta. Redactar una guía de etiquetado alineada con la norma de inspección.
• Reservar datos de evaluación: solo las imágenes de sitios no usados en el entrenamiento revelan el rendimiento real.

La anchura de la grieta determina las decisiones de reparación. La cadena de la IA es: ① segmentar los píxeles de la grieta, ② extraer la línea central (esqueleto), ③ contar los píxeles perpendiculares a ella, ④ multiplicar por el GSD (mm por píxel). Véase el capítulo de imagen visible para el GSD.

Como regla general, cuente con al menos ±1 píxel de error de anchura. Con un GSD de 0,5 mm, eso es alrededor de ±0,5 mm. Si las decisiones de reparación dependen de 0,2 o 0,3 mm, esa imagen no puede resolver la anchura. Informe siempre las anchuras de la IA junto con el GSD y el error esperado.

El verdadero valor de la inspección está en el cambio: ¿creció una grieta, se extendió el óxido, apareció algo nuevo? Sin embargo, restar la foto del año pasado de la de este año no significa casi nada: la posición, la luz, la estación y la suciedad difieren, así que la mayor parte de la diferencia es cómo se tomaron las fotos.

• Primero registrar: alinear las imágenes de ambos años con el modelo 3D o las coordenadas del elemento.
• Comparar defectos, no píxeles: elaborar un mapa de defectos cada año y comparar los mapas.
• Igualar las condiciones: misma ruta, misma distancia, luz similar. Reutilizar el plan de captura cada año.
• Asociar el error al cambio: si «se ha ensanchado 0,1 mm» es menor que el error de medición, no es un cambio.

La IA comete dos tipos de errores: falsos positivos (señalar lo que no está) y falsos negativos (omitir lo que sí está). En inspección, las omisiones son las peligrosas. Por eso los sistemas suelen ajustarse con un umbral más bajo para reducir las omisiones, dejando que la revisión humana elimine las falsas alarmas.

Igual de importantes son las imágenes que la IA nunca pudo ver bien: borrosas, demasiado oscuras o nunca tomadas. Los defectos allí producen silencio. Una comprobación de cobertura que muestre lo que no se capturó importa tanto como la propia detección.

La IA acelera la búsqueda, la medición y la comparación. La calificación, la acción y la explicación siguen en manos del inspector responsable, algo que difícilmente cambiará bajo el régimen de inspección de ningún país. Incorpore el reparto humano–IA al flujo de trabajo.

• Pantalla de revisión: mostrar cada candidato de la IA junto a la imagen original, la ubicación y la imagen del año anterior, para que una persona pueda aceptar, rechazar o editar.
• Realimentar las correcciones: las ediciones humanas se convierten en los siguientes datos de entrenamiento (aprendizaje con humano en el bucle).
• Registrar la versión del modelo: anotar qué versión del modelo y qué umbral produjeron cada resultado.
• Evitar la dependencia excesiva: las personas muestrean algunas imágenes que la IA no marcó.
• Las personas firman: las calificaciones de estado y las acciones llevan el nombre del ingeniero responsable.

Para saber cómo los hallazgos de la IA se convierten en un informe que un ingeniero pueda firmar, véase redactar los hallazgos de dron e IA en un informe de inspección de fachadas (Airffic Flight Institute).

El reparto entre lo que la IA señala y lo que decide una persona también se trata, desde el lado del cliente, en cómo la IA y las personas comparten la inspección de edificios (Airffic World).

Comparar a lo largo de los años exige que cada imagen lleve, en forma legible por máquina, qué estructura, qué elemento, qué punto y cómo se capturó. Sin eso, ni la IA ni los gemelos digitales pueden acumular.

Fije la nomenclatura de los elementos desde el principio, alineada con la norma de inspección y los planos. Existen formatos comunes, como BIM/CIM en Japón y el IFC de buildingSMART (ampliado a puentes, carreteras, ferrocarriles y puertos con IFC 4.3 en 2024). Los formatos cambian, así que no perder nunca el contenido (identificadores, poses, condiciones) importa más que el formato.

Para 2035, las imágenes de inspección recibirán identificadores de elemento y condiciones en el momento de tomarse; la IA propondrá candidatos y solo los cambios respecto a la última vez llegarán a la pantalla del ingeniero. Las personas interpretan los cambios, los verifican in situ y firman sus juicios. La IA sigue aprendiendo de las correcciones humanas, y su rendimiento por tipo de estructura y región se publica para su comparación. Esta es la visión de los editores.

Lo que más importa ahí no es una IA llamativa sino convenciones de datos poco vistosas: nomenclatura, registro de condiciones, anotación de errores. Las estructuras en las que esto se mantiene cada año son aquellas en las que la inspección realmente se vuelve más fácil.