| Los rápidos
avances en la investigación de la inteligencia artificial (IA) permiten
transferir tareas que son repetitivas y tediosas pero al mismo tiempo complejas
por naturaleza y que exigen atención y precisión de los humanos
a las máquinas. Además, el uso de IA hace que los procedimientos
de las tareas dadas más rápidos y, por lo tanto, rentables.
La inspección de carreteras en busca de deterioro puede ser una
de estas tareas tediosas pero complejas.
¿Podría
una máquina armada con una inteligencia artificial y hardware de
última generación salvar a los oficiales de carretera de
esta tarea? Hacerlo de la manera tradicional es costoso
El pavimento
tiende a deteriorarse con el tiempo bajo la influencia del tráfico
y la presión del medio ambiente, como las condiciones climáticas
variables y los movimientos del suelo. La inspección de carreteras
eficiente y oportuna es uno de los elementos clave de un sistema de gestión
de pavimentos exitoso. Sin embargo, la inspección visual humana
periódica de la superficie de la carretera tiende a ser costosa
y requiere mucho tiempo. Esto se debe, en primer lugar, a que la inspección
debe realizarse con bastante lentitud para que el ojo humano pueda detectar
posibles defectos. En segundo lugar, se necesitan dos personas, ya que
los humanos pueden concentrarse en una sola tarea a la vez. Conducir un
automóvil es una tarea muy compleja y que requiere atención
y no es seguro, si no imposible, inspeccionar la carretera al mismo tiempo
que se conduce un automóvil. En tercer lugar, todos los datos recopilados
se ingresan manualmente en el sistema y solo entonces es posible analizarlos.
¿Cómo
funciona la IA en la detección de defectos?
El uso de IA
en la detección de defectos está cada vez más extendido
entre las empresas que ofrecen software de inspección vial. Bueno,
¿cómo funciona?
Al igual que
con cualquier software impulsado por IA, la IA se entrena primero en miles
de imágenes para poder distinguir el pavimento defectuoso, como
baches, defectos en los bordes, grietas simples, grietas en la red y erosión,
de las superficies aceptables de las carreteras. Para el entrenamiento,
se utilizan dos tipos de datos de entrada: nuevas imágenes de entrada
e imágenes de entrada anotadas. La IA aprende de los datos anotados
manualmente para poder distinguir diferentes tipos de defectos viales en
nuevos datos. Cuando finaliza el entrenamiento, se prueba la tasa de éxito
del software impulsado por IA comparando sus resultados de detección
con los resultados de un observador humano experimentado.
Cuando la tasa
de éxito es lo suficientemente alta, el software está listo
para usarse. Si no es así, se llevará a cabo más entrenamiento
para alcanzar un mayor nivel de precisión.
|
