Mantenimiento de infraestructuras con visión artificial

El desarrollo de la visión artificial y la constante evolución de los sistemas de captación de imágenes están multiplicando las aplicaciones de estas tecnologías, extensibles a cualquier área de actividad. Las imágenes satelitales; las tomas de cámaras fijas y móviles, tanto terrestres como aéreas; las planchas obtenidas por ultrasonidos o radiofrecuencia y todas aquellas metodologías que consigan la representación visual de un fragmento de la realidad, se emplean ya en campos de lo más diverso como la conducción automática de vehículos, la optimización de flotas, el diagnóstico médico, el análisis de vastas extensiones de terreno (prevención de incendios, cultivos, catástrofes, control marítimo…) o el mantenimiento de grandes infraestructuras, entre otras muchas aplicaciones.

En esta ocasión vamos a centrarnos en el análisis de su utilidad en esta última rama, el mantenimiento de grandes infraestructuras y superficies. Quizá nunca te hayas parado a pensar en lo complejo y costoso que es vigilar y conservar determinadas instalaciones y espacios, que se expanden por superficies ingentes. Para centrar los conceptos, ejemplos de mantenimientos titánicos son carreteras, explotaciones forestales, redes de transporte de hidrocarburos, líneas eléctricas o vías férreas.  

Tradicionalmente en estos y otros muchos casos, los reconocimientos se han realizado por tierra (a pie o en vehículo) o, más excepcionalmente, por aire (helicópteros y en los últimos tiempos drones) en grandísimos entramados como son las líneas de alta tensión, mediante inspecciones oculares pautadas, del toda o una parte de la instalación. La inversión, en consecuencia, es elevada en tiempo, recursos y capital, para un sistema que no se demuestra totalmente eficaz, puesto que éxito va a depender de la coincidencia del acaecimiento de situaciones anómalas con el calendario de revisión previsto, y de condiciones de luz y meteorología.

La necesidad de mejora de los sistemas de mantenimiento de grandes infraestructuras, y la rápida evolución de la tecnología, permiten realizar estas tareas mediante el análisis de imágenes satelitales, de aquellas obtenidas por cámara, o mediante la conjunción de ambos métodos. Pero… ¿cómo se consigue detectar anomalías a lo largo de kilómetros con capturas remotas? Gracias a la Inteligencia Artificial.

Aprendizaje automático y redes neuronales

Hoy en día podemos hacer que las máquinas identifiquen elementos disonantes en las imágenes y den la voz de alarma. Para lograrlo, hay que enseñar a los ordenadores qué contenido tienen que reconocer como normalizado y cuál supone una intrusión o desviación. Es más, la injerencia del Machine Learning, parte de la Inteligencia Artificial que, como su nombre indica, posibilita el aprendizaje de las máquinas, hace que los equipos auto enriquezcan sus bases de datos para ser cada vez más eficientes, autónomos y dar un mejor servicio.

En este marco, se ha demostrado especialmente eficaz en los procesos de análisis, reconocimiento y clasificación de imágenes el Deep Learning o aprendizaje profundo, que trabajando con el concepto de malla, genera redes neuronales artificiales con una dinámica de comportamiento similar a las redes neuronales biológicas. Para conseguirlo los algoritmos de clasificación empleados barren áreas reducidas de la imagen y no la imagen en su conjunto. De este modo, un pequeño grupo de pixeles pasa por las diversas capas de la red, organizadas de tal manera que las primeras identifican formas simples (líneas, curvas, colores…), reconociendo en cada paso elementos de mayor complejidad (figuras, rostros…).

Finalizado el análisis, más preciso cuantas más capas compongan la red, se obtiene un resultado porcentual que representa la probabilidad de que una imagen pertenezca a una categoría preestablecida, que el sistema está entrenado a reconocer. Para entenderlo mejor volvamos a los ejemplos del principio. Pongamos que en un tramo ferroviario surge un obstáculo en la vía, o en una superficie forestal cae vegetación sobre un cortafuegos, en estos casos las redes neuronales están entrenadas para analizar las imágenes, a partir de barridos progresivos de grupos de pixeles, e identificar extrañezas, es decir, elementos que se encuentran donde no deberían de estar, alterando los patrones que el sistema tiene validados como óptimos.

Detectar, identificar y categorizar

Pero concretemos más. En una infraestructura de gran envergadura, como como son las redes de transporte energético, que cruza incluso países, el examen de imágenes satelitales u obtenida por cámaras puede poner de relieve que un patrón discordante en un determinado punto del recorrido es con una probabilidad del 92% una rotura en un tramo de la línea, con un porcentaje del 6% un incendio y con una proporción del 2% un elemento ajeno a la estructura. Detectada la anomalía, e identificadas y categorizadas las causas probables, el equipo de mantenimiento puede actuar con una mayor eficacia; en primer lugar gracias a la detección temprana, y en segundo porque la toma de decisiones y las actuaciones a realizar se llevan a cabo sobre hechos ciertos, o al menos, en base a porcentajes elevados de coincidencia con la realidad.

En consecuencia, la visión artificial incrementa la eficacia de actuación y se reducen costes, tanto en la vigilancia, como en la gestión de los acontecimientos anómalos identificados, y esto en grandes superficies, algunas de cientos de kilómetros lineales o cuadrados, se traduce en miles de euros. Pero no todo es el dinero, los procesos de mantenimiento de vastas infraestructuras o espacios se tornan más seguros para los operarios, que complementan las inspecciones oculares en zona con el análisis automático de imágenes, lo que reduce la incertidumbre y posibilita el desarrollo de acciones correctivas con mayores cotas de planificación.

En definitiva, alertas tempranas, simplificación de los procesos de toma de decisiones, complemento al uso de medios terrestres o aéreos, mayor seguridad en las operativas, focalización de recursos en necesidades reales, e ingentes rastreos en tiempos reducidos, hacen del mantenimientos de infraestructuras con visión artificial una realidad/necesidad que ya se está imponiendo en un sector industrial, cada día más proclive a no dejar pasar los beneficios de la transformación digital.