Ir al contenido principal
    Visión artificial e inspección con drones

    Software de inspección con drones y visión artificial: detección de defectos en imágenes aéreas

    Los drones abarataron la captura de imágenes de inspección, pero revisarlas no se ha abaratado: un inspector sigue viendo horas de vídeo para encontrar un puñado de defectos. Construimos pipelines de visión artificial que sacan a la luz los candidatos, dejan la decisión en manos de tus inspectores y asignan cada hallazgo confirmado al activo correcto.

    Ver casos de éxito
    Del vuelo al hallazgo confirmado
    1. 1
      Ingesta
      Vídeo, imágenes fijas y telemetría de GPS / altitud de cada vuelo
    2. 2
      Muestreo y deduplicación
      Solo vistas distintas, sin solapamientos
    3. 3
      Detección
      Detección y segmentación por clase de defecto
    4. 4
      Revisión del inspector
      Confirmar, rechazar o corregir cada detección
    5. 5
      Geoetiquetado e informe
      Hallazgos en el mapa, en el activo y en el informe

    Las decisiones de los revisores vuelven al entrenamiento: el modelo mejora como parte del trabajo de inspección habitual.

    Qué obtienes

    Ingesta de vídeo de dron, imágenes fijas de alta resolución y telemetría de vuelo (GPS, altitud, rumbo), agrupada por inspección y no por archivo
    Muestreo de fotogramas y eliminación de casi duplicados ajustados a la velocidad y la altitud de vuelo, para que modelos y personas solo vean vistas distintas
    Modelos de detección y segmentación de defectos (detectores de la familia YOLO, redes de segmentación) entrenados en PyTorch con tus imágenes y exportados a ONNX
    Flujo de etiquetado con aprendizaje activo: primero se etiquetan los fotogramas que más enseñarían al modelo, para que el tiempo de los inspectores rinda más
    Interfaz de revisión con intervención humana (human-in-the-loop) en la que los inspectores confirman, rechazan o corrigen cada detección antes de notificarla
    Geoetiquetado de los hallazgos confirmados en un mapa y en tu registro de activos, y generación de borradores de informe a partir de hallazgos estructurados
    Conjunto de evaluación con precisión y recall por clase de defecto, que condiciona cada nueva versión del modelo
    Plan de despliegue que cubre la inferencia por lotes en GPU en la nube después de cada vuelo y opciones en el edge (en el dron o en la estación de tierra) cuando se necesitan resultados in situ

    Cuándo encaja

    • Ya capturas imágenes con drones a gran volumen y el tiempo de revisión de los inspectores es el cuello de botella
    • Puedes nombrar las clases de defecto que importan (corrosión, grietas, componentes que faltan, invasión de vegetación, puntos calientes) y describir cómo es cada una
    • Tus inspectores pueden dedicar unas horas a la semana al etiquetado y la revisión durante los primeros meses: el modelo aprende de ellos
    • Los hallazgos tienen que llegar a un registro de activos, un GIS o un flujo de informes que ya existe, no a un panel independiente

    Cuándo no

    • Necesitas un operador de drones: nosotros desarrollamos el software; tus pilotos o tu proveedor de servicios de vuelo realizan las misiones conforme a Part 107, EASA o la normativa local
    • Es un requisito tener informes totalmente automatizados sin validación humana: diseñamos para que un inspector confirme cada defecto notificado
    • Las imágenes aún no existen y el protocolo de captura (altitud, ángulo, solapamiento, sensor) no está definido: primero hay que fijar la captura o los modelos se entrenarán con datos incoherentes
    • Una plataforma de inspección comercial ya cubre tu tipo de activo y tus tipos de defecto: contrata su licencia e intégrala

    Proceso

    Semanas 1–3: discovery y auditoría de datos (vuelos de muestra, taxonomía de defectos, revisión del protocolo de captura y un conjunto de evaluación etiquetado y acordado con tus inspectores). Semanas 4–8: ingesta, muestreo de fotogramas, un modelo base para las primeras una a tres clases de defecto y la interfaz de revisión, para que los inspectores empiecen pronto a confirmar detecciones reales. Semanas 9–14: rondas de aprendizaje activo, geoetiquetado e integración con el registro de activos, generación de informes e inferencia por lotes en producción. El despliegue en el edge y las clases de defecto adicionales llegan después como fases separadas, cada una condicionada al conjunto de evaluación.

    Proceso de entrega completo

    Preguntas frecuentes

    ¿Cuántos datos etiquetados necesitamos para empezar?
    Menos de lo que espera la mayoría de los equipos, pero no cero. Para una clase de defecto visualmente clara, unos cientos de ejemplos bien etiquetados suelen bastar para un primer modelo útil; los defectos sutiles o poco frecuentes necesitan más. Partimos de backbones de detección preentrenados, etiquetamos primero los fotogramas más informativos con aprendizaje activo y usamos las decisiones de revisión de los inspectores como nuevas etiquetas, de modo que el conjunto de datos crece durante la operativa normal y no en un proyecto de etiquetado aparte. La auditoría de datos del discovery te dice cuántos tienes ya.
    ¿Pueden ejecutarse los modelos en el dron o en el edge?
    A menudo sí, con concesiones. La detección de un número reducido de clases de defecto puede ejecutarse en hardware de tipo Jetson en el dron o en una estación de tierra, algo útil cuando un equipo necesita resultados antes de salir del emplazamiento. El análisis a resolución completa de muchas clases suele funcionar mejor como inferencia por lotes en GPU en la nube después del vuelo. Los modelos se exportan a ONNX para que el mismo modelo pueda desplegarse en cualquiera de los dos destinos; medimos la precisión y la latencia en tu hardware real antes de recomendar uno.
    ¿Qué precisión tendrá?
    No daremos una cifra antes de ver tus imágenes. La precisión depende de la clase de defecto, la resolución de la imagen, la consistencia de la captura y la calidad de las etiquetas. A lo que sí nos comprometemos es a medir: un conjunto de evaluación reservado y acordado con tus inspectores, precisión y recall por clase de defecto, y umbrales de confianza elegidos contigo (en los defectos relevantes para la seguridad, normalmente se aceptan más falsas alarmas a cambio de menos omisiones). Cada hallazgo notificado lo sigue confirmando un inspector.
    ¿De quién son los modelos entrenados y los datos?
    Tuyos. Las imágenes, las etiquetas, los pesos entrenados, el código de entrenamiento y los conjuntos de evaluación se te ceden mediante un acuerdo estándar de obra por encargo. También revisamos desde el principio las licencias de los modelos preentrenados y las librerías: algunos frameworks de detección populares tienen licencias copyleft o comerciales que importan si el modelo va dentro de tu producto.
    ¿Cómo encaja esto en nuestro flujo de inspección actual?
    Se sitúa entre la captura y los informes. Tus pilotos vuelan las mismas misiones; las grabaciones se suben como hoy; los inspectores trabajan en la interfaz de revisión en lugar de recorrer el vídeo, y los hallazgos confirmados se envían a tu registro de activos, GIS o sistema de mantenimiento a través de su API o de una exportación que tu equipo ya usa. En el discovery mapeamos el flujo actual y cambiamos lo mínimo posible.
    Ingenieros de TekPiq en una sesión de arquitectura frente a la pizarra; uno de ellos dibuja el modelo de datos
    Sesión de arquitectura en nuestra oficina: los detalles de cliente en la pizarra están difuminados.

    Quién lo construye

    Nuestro propio equipo, que trabaja desde nuestra oficina en East Sarajevo, Bosnia y Herzegovina. Los ingenieros de tu llamada para definir el alcance son quienes lo construyen.

    Conoce al equipo

    Visión artificial e inspección con drones: ¿hablamos?

    Llamada de 30 minutos para definir el alcance. Sin compromiso ni presión comercial.