La Inteligencia Artificial (IA) es una ciencia en continuo desarrollo que cada vez tiene más aplicaciones en ciencias muy variadas, desde la propia informática, hasta las ciencias empresariales o de la salud (ver figura adjunta). En esta entrada, mostraré los primeros resultados de su aplicación en el campo de la Ingeniería de Carreteras y, más concretamente, en la identificación de deterioros en pavimentos urbanos.
Pero, ¿qué es la Inteligencia Artificial?
A pesar de que no existe una definición clara sobre este concepto, podríamos decir que la Inteligencia Artificial es la combinación de algoritmos (una serie de pasos ordenados para realizar una tarea) planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano.
Dentro del mundo de la Inteligencia Artificial, seguro que habrás escuchado hablar de Machine Learning, Redes Neuronales y Deep Learning. Por ello, creo que es interesante que hablemos un poco sobre ello.
El aprendizaje automático o Machine Learning es aquella técnica de IA basada en algoritmos de aprendizaje que permite a una máquina aprender a realizar cierta acción para, posteriormente, ejecutarla de manera automática. En función de la forma en la que la máquina aprende, podemos diferenciar entre aprendizaje supervisado y no supervisado. En el primer caso es el usuario quien debe indicarle a la máquina si lo que hace está bien o mal, mientras que en el segundo es la propia máquina la que tiene que aprender a descubrir lo que hace bien y lo que hace mal, en función de unas reglas. Si deseas profundizar más sobre estos aspectos pincha aquí.
Concretamente, las Redes Neuronales son un tipo de algoritmo de aprendizaje automático que tratan de comportarse de la misma forma en que las personas tomamos decisiones, es decir, emulan el comportamiento de las neuronas en nuestro cerebro, que son aquellas unidades especializadas en procesar determinada información de forma jerárquica e interconectadas entre sí.
Por último, el Deep Learning es un tipo de inteligencia artificial basado en redes neuronales profundas que tiene como objetivo el tratamiento de una gran cantidad de datos en un reducido tiempo de computación. Estas redes se dicen que son profundas porque están compuestas por multitud de capas abstractas de información, como hacemos las propias personas. Por ejemplo, si tiene que diferenciar entre pájaros y otro tipo de animales, primero comenzará con información sencilla como identificar el número de patas. A medida que alcanza capas más profundas entra en un mayor nivel de detalle para identificar rasgos más característicos como, por ejemplo, el pico del pájaro.
Aplicación de técnicas de IA en la identificación de daños en el pavimento
Un aspecto importante del mantenimiento de pavimentos es la evaluación de su condición. Para ello existen dos tipos de inspección: (1) inspección mediante auscultaciones y (2) inspección visual. Mientras que la inspección mediante auscultaciones está basada principalmente en indicadores objetivos obtenidos a través de ciertos instrumentos de medida estándar, la inspección visual se lleva a cabo mediante la experiencia profesional de técnicos que evalúan el estado del pavimento a partir de su apariencia, lo que introduce cierta subjetividad en la evaluación del daño.
A pesar de dicha subjetividad, en el entorno urbano el método más común de inspección es el visual, principalmente, debido a la dificultad de obtener indicadores objetivos en un entorno caracterizado por la presencia de intersecciones, variaciones significativas de la velocidad de circulación y fluctuaciones importantes del tráfico. Para minimizar la subjetividad ligada a la inspección visual, un apoyo fundamental son los catálogos de firmes o manuales en los que aparecen los tipos de deterioros con imágenes, descripciones y modos de cuantificación.
Ejemplos de deterioros en el pavimento.
No obstante, el tratamiento automático de imágenes a través de IA se postula como el futuro de la evaluación de la condición del pavimento, puesto que permite desarrollar modelos capaces de realizar de manera objetiva y automática dicha evaluación. Estos métodos destacan por su versatilidad, ya que no son únicamente capaces de brindar buenos resultados en tareas de clasificación, sino que suministrando la información de forma correcta el modelo puede detectar objetos dentro de una imagen y segmentar el área que estos ocupan. En otras palabras, además de identificar el tipo de daño, es capaz de cuantificarlo.
El proyecto SIMEPU
La Universitat Politècnica de València y las empresas PAVASAL y CPS estamos desarrollando el proyecto “SIMEPU – Sistema Integral de Mantenimiento Eficiente de Pavimentos Urbanos” con referencia RTC-2017-6148-7, financiado por el Ministerio de Ciencia e Innovación y el Ministerio de Universidades, con el objetivo principal de desarrollar una metodología que permita evaluar automáticamente la condición del pavimento, predecir su condición y priorizar las actuaciones de mantenimiento y conservación en base a distintos factores económicos, sociales y medioambientales.
Metodología propuesta en SIMEPU.
En el marco de este proyecto, hemos desarrollado un modelo de IA basado en Redes Neuronales Convolucionales (Deep Learning) para identificar los deterioros en pavimentos flexibles urbanos. La arquitectura de la red está basada en la red ResNet, puesto que este tipo de red de clasificación de imágenes ha sido utilizado para todo tipo de problemas proporcionando muy buenos resultados. Como resultado, el modelo es capaz de diferenciar entre: (i) grietas longitudinales, (ii) grietas transversales, (iii) grietas en forma de piel de cocodrilo, (iv) meteorización y desprendimiento, (v) huecos, (vi) parcheo, (vii) alcantarillado, (viii) marcas viales, y (ix) pavimento sin daños. Para entrenar este modelo se clasificaron alrededor de 10.000 imágenes y, como resultado, la red es capaz de identificar los deterioros enumerados anteriormente con una tasa de acierto de alrededor del 98%.
Predicción de deterioros mediante IA.
Inspección automatizada
Con el desarrollo de este modelo se propone la inspección automatizada de pavimentos urbanos a través de cuatro fases:
- Instalación del sistema de adquisición de imágenes.
- Filtrado y procesado de vídeos.
- Filtrado y procesado de imágenes.
- Identificación y clasificación de deterioros.
La primera de estas etapas es la colocación de una cámara convencional (p. ej., Garmin Virb Ultra 30 o GoPro Hero 7) en la parte trasera del vehículo mediante un sistema de ventosas y brazos extensibles, garantizando una grabación cenital de la superficie del pavimento.
Una vez realizada la toma de datos, la etapa de filtrado y procesado de vídeos tiene como objetivo principal la extracción de fotogramas del vídeo. Estas imágenes son posteriormente tratadas con el fin de: (i) eliminar las zonas de la imagen que no contengan información relevante para la identificación y evaluación de los deterioros presentes en el pavimento, y (ii) segmentar las imágenes en imágenes con el tamaño exigido por la red calibrada, siendo en este caso de 256×256 píxeles.
Filtrado y procesado de imágenes.
Finalmente, la matriz de imágenes resultante del filtrado de toda la información obtenida en la toma de datos se introduce en la red neuronal convolucional entrenada para identificar y clasificar los daños que existen en el pavimento.
Identificación de deterioros en el pavimento.
¿Quieres probar cómo funciona este modelo?
Puedes hacerlo en la siguiente página web: http://prhlt-simepu.herokuapp.com/
¿Te gustó el contenido de esta entrada? ¡Puedes dejar cualquier duda o sugerencia en los comentarios!
Los resultados que aquí se muestran forman parte del proyecto de investigación “SIMEPU – Sistema Integral de Mantenimiento Eficiente de Pavimentos Urbanos” financiado por la Agencia Estatal de Investigación – Ministerio de Ciencia e Innovación & Ministerio de Universidades.
Hola, muy interesante el trabajo, gracias por compartir.
Vi que el enlace de heroku para probar está caído.
¿Otro lugar donde esté alojado?
Saludos!
felicitaciones una gran innovación para la evaluación de pavimentos que normalmente se hace de manera artesanal y con muchos errores y sin una documentación que respalde