Ir al contenido principal
    Visión artificial para la inspección de infraestructuras con drones
    Energía e infraestructuras industriales

    Visión artificial para la inspección de infraestructuras con drones

    Pipeline de ML: del vídeo de drones sobre activos energéticos e industriales a defectos geoetiquetados, validados por inspectores, y borradores de informe.

    Última actualización: 2026-11-19

    Los datos del cliente son confidenciales (NDA). Las cifras son aproximadas y redondeadas.

    Cliente
    Empresa de inspección de infraestructuras
    Sector
    Energía e infraestructuras industriales

    Resumen del proyecto

    Una empresa de inspección de infraestructuras sobrevuela con drones activos energéticos e industriales y entrega informes de estado a sus propietarios. Sus inspectores revisaban a mano horas de grabación por emplazamiento para encontrar un puñado de defectos. TekPiq construyó un pipeline de visión artificial que ingiere las grabaciones y la telemetría de vuelo, detecta y segmenta los posibles defectos, los envía a los inspectores para que los confirmen y sitúa los hallazgos confirmados en un mapa y en el registro de activos.

    Principales retos

    Grandes lotes de vídeo e imágenes fijas de alta resolución por emplazamiento, buena parte de ellos solapados o sin ningún defecto

    Defectos pequeños, poco frecuentes y visualmente parecidos a elementos inofensivos como manchas, sombras y reflejos

    Pocos datos de entrenamiento etiquetados al principio, e inspectores con poco tiempo para etiquetar más

    Hallazgos que solo son útiles si se pueden vincular a un activo y una ubicación concretos, no solo a un número de fotograma

    El requisito de que sean los inspectores, y no el modelo, quienes tomen la decisión final sobre cada defecto notificado

    Decidir qué cargas de trabajo van en GPU en la nube y cuáles podrían ejecutarse más cerca del dron

    Nuestro enfoque

    Empezamos por fijar un conjunto de evaluación: una colección reservada de fotogramas etiquetados, revisada por los inspectores del cliente, con la que se puntúa cada versión del modelo en precisión y recall por clase de defecto. La ingesta reúne vídeo, imágenes fijas y telemetría de vuelo (posición GPS, altitud, rumbo) en un único lote por inspección. Los fotogramas se muestrean según la velocidad y la altitud de vuelo y después se eliminan los casi duplicados, para que los modelos vean vistas distintas de cada activo. Detectores de la familia YOLO y redes de segmentación, entrenados en PyTorch y exportados a ONNX, señalan y delimitan los posibles defectos. Las detecciones llegan a una interfaz de revisión en la que los inspectores las confirman, rechazan o corrigen; esas decisiones alimentan un ciclo de aprendizaje activo que prioriza los fotogramas más informativos para la siguiente ronda de etiquetado. Los hallazgos confirmados se geoetiquetan a partir de la telemetría, se asocian a los activos del registro y se reúnen en un borrador de informe. En producción, la inferencia se ejecuta como trabajos por lotes en GPU en la nube después de cada vuelo; la exportación a ONNX deja abierta la vía de un despliegue en el edge para los casos en que se necesiten resultados in situ.

    Tecnologías utilizadas

    Python y PyTorch
    Redes de detección y segmentación de la familia YOLO
    Exportación de modelos a ONNX
    Inferencia por lotes en GPU en la nube
    Procesamiento de telemetría de vuelo y datos geoespaciales (GPS, altitud)
    Flujo de etiquetado con aprendizaje activo
    Interfaz de revisión web

    Servicios relacionados

    Funcionalidades clave

    Ingesta por lotes de vídeo de dron, imágenes fijas y telemetría de vuelo en cada inspección

    Muestreo de fotogramas y eliminación de casi duplicados antes de la inferencia

    Modelos de detección y segmentación de defectos con umbrales de confianza por clase

    Interfaz de revisión en la que los inspectores confirman, rechazan o corrigen cada detección

    Ciclo de aprendizaje activo que convierte las decisiones de los revisores en nuevas etiquetas de entrenamiento

    Geoetiquetado de los hallazgos confirmados en un mapa y en el registro de activos del cliente

    Generación de borradores de informes de inspección a partir de los hallazgos confirmados

    Conjunto de evaluación con precisión y recall por clase de defecto en cada versión del modelo

    Procesamiento por lotes en GPU en la nube, con la exportación a ONNX como vía hacia la inferencia en el edge

    Resultados de negocio

    Los inspectores revisan los fotogramas señalados en lugar de ver las grabaciones completas

    Cada defecto notificado lo confirma un inspector antes de que llegue a un informe para el cliente

    Los hallazgos llegan geoetiquetados y vinculados a un activo concreto, no solo a una marca de tiempo en un vídeo

    Antes de desplegarse, cada versión del modelo se compara con la anterior sobre el mismo conjunto de evaluación, por clase de defecto

    Las decisiones de los revisores se convierten en datos de entrenamiento, así que el conjunto etiquetado crece como parte del trabajo de inspección habitual

    La redacción de informes parte de hallazgos estructurados, no de capturas de pantalla y notas

    Impacto transformador

    El pipeline cambia en qué invierten su tiempo los inspectores: de buscar defectos en las grabaciones a valorar los candidatos que proponen los modelos. Como cada versión del modelo se puntúa sobre un conjunto de evaluación fijo y cada hallazgo notificado lo confirma una persona, el cliente puede explicar a los propietarios de los activos cómo se encontró un defecto y quién lo validó.

    ¿Quieres transformar tu negocio?

    Hablemos de cómo crear una solución a medida que aporte resultados medibles a tu organización.