Detección de Grietas por IA: Transformando Ortofotos en Puntuaciones PCI Accionables
Las grietas en el asfalto no permanecen pequeñas por mucho tiempo. Cuando una fisura de 3 mm entra en contacto con agua, combustible o fluido hidráulico, se ensancha rápidamente y debilita la estructura del pavimento. Por lo tanto, los gestores de aeropuertos y carreteras inspeccionan las superficies con frecuencia y asignan una puntuación de Índice de Condición del Pavimento (PCI) que guía los presupuestos de mantenimiento. Hasta hace poco, el proceso de puntuación implicaba equipos a pie, portapapeles y muchos cierres de carriles. Hoy en día, las ortofotos de drones de alta resolución más la inteligencia artificial (IA) pueden ofrecer la misma puntuación PCI —a menudo con mayor precisión— en una sola jornada laboral. Este artículo muestra cómo funciona el flujo de trabajo, cuánta precisión puede esperar y dónde encaja la plataforma HALO AI de Fadron.
Del plan de vuelo a la ortofoto
- Altitud de vuelo y GSD. Para capturar grietas finas, necesita una distancia de muestreo del suelo (GSD) de 1-3 mm por píxel. Un sensor de 20 MP de 1 pulgada volado a 8-10 m suele cumplir este objetivo. Para calles de rodaje anchas o carreteras de varios carriles, puede dividir el área en bloques superpuestos en lugar de volar más alto.
- Solapamiento. Un solapamiento frontal de al menos el 80 por ciento y un solapamiento lateral del 70 por ciento permite que el software de fotogrametría construya un ortomosaico sin distorsiones. Los planificadores de misiones modernos automatizan estos ajustes.
- Control y precisión. El registro cinemático en tiempo real (RTK) o los puntos de control en tierra mantienen el error horizontal por debajo de 2 cm. Una alineación precisa es importante porque los vectores de las grietas deben coincidir con los mapas históricos cuando se mida el crecimiento la próxima temporada.
- Calidad radiométrica. Vuele con tiempo seco y soleado. Las zonas húmedas enmascaran las grietas finas y el sol bajo provoca sombras largas que un modelo de IA podría interpretar como daños. Mantenga la cámara a ISO 100-200 para reducir el ruido.
- Unión. Software como Agisoft Metashape, OpenDroneMap o el unidor en la nube de Fadron HALO fusiona cientos de fotos en un único GeoTIFF. El resultado es un mapa orto-verdadero donde cada píxel está a una escala uniforme.
Qué hace realmente el motor de IA
Los píxeles brutos por sí solos no revelan la salud del pavimento. Los modelos de IA construidos sobre redes neuronales convolucionales escanean la ortofoto baldosa por baldosa y clasifican cada píxel como grieta o fondo. La arquitectura más común para esta tarea es un codificador-descodificador estilo U-Net que mantiene el detalle espacial mientras aprende el contexto. Los datos de entrenamiento suelen incluir miles de imágenes recortadas etiquetadas por ingenieros civiles para cubrir:
- Grietas longitudinales, transversales y en bloque.
- Etapas de agrietamiento de piel de cocodrilo (A1, A2, A3).
- Parches, baches y roturas de juntas de carril.
Durante la inferencia, el modelo genera una máscara binaria o un conjunto de vectores. Los módulos de posprocesamiento fusionan segmentos cortos, filtran el ruido más pequeño que unos pocos píxeles y miden la longitud, el ancho y la orientación de las grietas. Las clases de severidad siguen las reglas ASTM D5340 o D6433. Los recuentos se introducen directamente en las matrices de deterioro PCI.
Precisión típica del modelo
| Fuente | Precisión | Exhaustividad | Puntuación F1 | GSD de entrada |
|---|---|---|---|---|
| Centro Técnico de la FAA (2023) | 0,97 | 0,95 | 0,96 | 2 mm |
| DGAC Francia (2022) | 0,95 | 0,94 | 0,95 | 1,8 mm |
| Universidad de Texas (2024) | 0,96 | 0,94 | 0,95 | 1,5 mm |
La precisión muestra cuántos píxeles de grietas detectados son correctos. La exhaustividad (recall) muestra cuántos píxeles de grietas reales encontró el modelo. Valores superiores a 0,90 significan muy pocas falsas alarmas o omisiones.
Conversión de resultados de IA a PCI
El PCI es una puntuación de 0-100 derivada del tipo, la gravedad y la cantidad del deterioro. Un proceso automatizado completa cuatro pasos:
- Asignación de área. Divida la pista o carretera en secciones de gestión (por ejemplo, unidades de muestra de 50 m por 50 m).
- Recuento de deterioros. Sume las longitudes y áreas de las grietas por sección y correlaciónelas con las tablas de gravedad ASTM.
- Valor de deducción. Cada deterioro genera un valor de deducción. La suma de las deducciones restada de 100 da el PCI bruto.
- PCI corregido. Aplique reglas de corrección cuando coexistan múltiples deterioros graves. El resultado es una tabla y un mapa de calor donde verde = bueno, rojo = crítico.
Un aeropuerto de tamaño medio informó que el proceso de IA reprodujo las puntuaciones PCI generadas por humanos con una diferencia de ±2 puntos en el 92 por ciento de sus unidades de muestra, una diferencia que se encuentra dentro del rango de error aceptado por la FAA.
Dónde HALO AI añade valor
HALO AI es la suite de análisis de pavimentos de extremo a extremo de Fadron que enlaza toda la cadena.
- Unión en la nube. Suba las fotos directamente desde la tarjeta SD del dron. HALO ejecuta un motor de fotogrametría paralelo y entrega un GeoTIFF en minutos. No se necesita GPU local.
- Control de calidad automático. La plataforma detecta fotogramas borrosos o subexpuestos y los marca antes del análisis para evitar omitir grietas.
- Detección de grietas por IA. El último modelo de HALO contiene 1,8 millones de muestras etiquetadas de aeropuertos, carreteras y aparcamientos. Identifica 18 clases de deterioro y devuelve shapefiles o GeoJSON.
- PCI instantáneo. Una calculadora de PCI integrada sigue las tablas de consulta ASTM. Obtiene puntuaciones por sección, un informe completo y un CSV listo para MicroPAVER o Stoneleigh PMS.
- Conexiones API. Las empresas de ingeniería pueden llamar a la API REST de HALO para enviar los resultados a sus paneles de BI o sistemas de gestión de tickets de mantenimiento.
La mayoría de los usuarios terminan la captura por la mañana y descargan un informe PDF firmado antes de que finalice la jornada laboral.
Ahorro de tiempo y costes
| Tarea | Flujo de trabajo manual heredado | Flujo de trabajo Drone + HALO |
|---|---|---|
| Recopilación de datos en campo (pista de 3 000 m) |
4 h de cierre, 5 empleados | 40 min de cierre, 2 empleados |
| Procesamiento de datos | 24 h de digitalización manual | 3 h automatizadas |
| Redacción de informes | 4 h de tiempo de ingeniero | Autogenerado |
Los ahorros provienen de cierres más cortos, menos horas de personal y la ausencia de trazado manual. Para tramos largos de autopista, la proporción es similar: aproximadamente un 40 por ciento menos de coste por kilómetro con una calidad de datos igual o superior.
Consejos prácticos para resultados fiables
- Calibrar el enfoque. Compruebe la primera franja de vuelo con un zoom del 200 por ciento. Las grietas finas deben ser nítidas.
- Observe la reflectancia. El asfalto muy nuevo puede ser aceitoso y brillante. Un filtro polarizador reduce el deslumbramiento especular que confunde a los detectores de bordes.
- Evite las sombras. Programe los vuelos cuando el sol esté al menos 30 grados sobre el horizonte o utilice la nubosidad para difundir la luz.
- Compruebe las zonas húmedas. Si partes de la superficie están húmedas, reprograme. El agua llena las pequeñas grietas y la IA las pasará por alto.
- Validar. Verifique en campo el 5 por ciento de las unidades de muestra con mediciones manuales para generar confianza y cumplir con las normas de auditoría.
Direcciones futuras
La detección de grietas por IA va más allá de la segmentación simple. Los equipos de investigación están fusionando capas térmicas para revelar el desprendimiento inducido por la humedad y LiDAR para medir la profundidad de las roderas al milímetro. Los modelos predictivos entrenados con datos de varios años podrían pronto pronosticar el crecimiento de las grietas y recomendar automáticamente los tiempos de tratamiento. HALO AI ya almacena capas temporales por sitio para que los usuarios puedan conectar futuros módulos predictivos sin recopilar nuevas líneas de base.
Conclusión
Los drones combinados con IA reducen el tiempo de inspección de días a horas y transforman las ortofotos en puntuaciones PCI en las que los profesionales pueden confiar. Una GSD de 1-3 mm por píxel es el punto óptimo actual, ofreciendo una precisión de detección del 95 por ciento o superior. Con plataformas como HALO AI de Fadron que automatizan la unión, el mapeo de grietas y los cálculos de PCI, los equipos de ingeniería pueden centrarse en planificar reparaciones en lugar de trazar líneas. Los primeros en adoptar esta tecnología informan de ahorros de costes cercanos al 50 por ciento y una fuerte caída en las horas de cierre de pistas o carriles, logros tangibles tanto en presupuesto como en seguridad.
Referencias
- Centro Técnico de la FAA. Estudio de Precisión de Inspección de Pavimentos con UAS Pequeños, 2023.
- DGAC Francia. Mapeo de Deterioros de Pistas Basado en Drones, 2022.
- Texas Advanced Computing Center. Deep Crack: CNN para la Detección de Deterioros del Asfalto, 2024.
- ASTM D5340 y D6433 Prácticas Estándar para Encuestas PCI, 2022.
- Halford, R. Resolución de Ortofotos y Umbrales de Detección de Grietas, Journal of Transportation Engineering, 2023.
