Visió artificial · Drons · Inspecció d’infraestructures
De la inspecció visual a la detecció automatitzada de defectes (amb traçabilitat i criteri)
Les inspeccions d’infraestructures amb drons guanyen velocitat i seguretat quan l’anàlisi deixa de dependre només de “mirar fotos”. El reconeixement d’objectes amb IA (visió per ordinador / computer vision) converteix imatges i vídeo en informació accionable: defectes detectats, localitzats i prioritzats per decidir manteniment preventiu, intervencions i seguiment.
-
Detecció i classificació d’anomalies (fissures, corrosió, desprendiments, deformacions) amb criteris repetibles.
-
Menys temps de cicle: captures dades ràpid amb dron i automatitzes l’anàlisi per reduir colls d’ampolla.
-
Més seguretat: menys exposició del personal a alçades, espais confinats o zones de risc.
-
Resultats accionables: catàleg de defectes, evidències visuals i criteri de priorització per actuar.
Si encara no: es pot començar amb un pilot acotat en un actiu i un conjunt de defectes ben definits.
Què és el reconeixement d’objectes en drons?
És l’ús de models de visió artificial per detectar, identificar i (quan cal) delimitar elements dins d’una imatge o vídeo capturat per un dron. En una inspecció d’infraestructures, això vol dir passar de “veure una esquerda” a poder catalogar-la (tipus, ubicació, severitat) i comparar-la amb inspeccions anteriors.
Detecció, segmentació i mesura: tres nivells de valor
- Detecció d’objectes: localitza anomalies o elements (per exemple, fissures, zones de corrosió, components mal posicionats).
- Segmentació: dibuixa la “màscara” de la zona afectada per quantificar àrea/forma (molt útil en corrosió, desprendiments, humitats).
- Mesura i seguiment: quan hi ha bona captura i georeferenciació, es pot fer comparativa temporal (abans/després) i tendència.
El resultat no és un “model bonic”: és una manera d’estandarditzar criteris i fer més ràpida la presa de decisions en manteniment i seguretat.
Si vols contextualitzar aquest cas d’ús dins d’una estratègia més àmplia, aquí tens una visió global de solucions d’IA per a empreses i de serveis d’IA enfocats a resultats mesurables.
Quins defectes i anomalies es poden detectar en una inspecció d’infraestructures?
Depèn del tipus d’actiu, del material i de la qualitat de captura (òptica, distància, il·luminació, estabilització). Tot i així, hi ha patrons habituals on la visió artificial aporta molta tracció.
Llista pràctica (els “clàssics”)
- Fissures i esquerdes en formigó, asfalt o elements metàl·lics (detecció i, en alguns casos, mesura).
- Corrosió i degradació superficial (oxidació, pintura saltada, zones amb pèrdua de recobriment).
- Despreniments / spalling i pèrdua de material.
- Deformacions, alineacions anòmales i components fora de posició.
- Vegetació invasiva i interferències a línies, vies o instal·lacions.
- Hotspots (si hi ha termografia): punts calents en instal·lacions elèctriques o camps solars.
- Objectes o obstacles en entorns crítics (zones restringides, accessos, cobertes, perímetres).
Casos d’ús habituals (i què s’entrega)
La combinació dron + IA és especialment potent quan tens molts actius, inspeccions recurrents o punts de difícil accés. Alguns exemples on sol aportar valor ràpid:
Per tipus d’infraestructura
- Ponts i viaductes: detecció de fissures, degradació superficial, zones de risc i comparatives periòdiques.
- Carreteres i paviments: fissures, deformacions, irregularitats i priorització de manteniment.
- Túnels i estructures interiors: inspecció visual assistida, catalogació d’incidències i evidències.
- Línies elèctriques i torres: elements, vegetació, ancoratges i punts crítics (segons sensor i distància).
- Canonades i conduccions: anomalies visuals, punts susceptibles, seguiment de trams i entorns.
- Parcs eòlics i solars: inspecció de pales/panells i detecció d’incidències (visual + termal quan aplica).
Entregables típics
- Catàleg d’incidències amb evidència visual (foto/vídeo) i classificació.
- Ubicació i context (georeferenciació, tram, element, angle de captura).
- Priorització (per severitat, risc o impacte operatiu) i recomanacions de triatge.
- Exportació a formats útils per a equips tècnics (CSV, capes GIS, informes o API segons necessitat).
Si el teu cas està lligat a manteniment, rutes o operacions, et pot interessar també Operacions i Logística amb IA per connectar detecció → planificació → execució.
Procés pas a pas: de la captura amb dron a un informe que serveix per decidir
Perquè funcioni de veritat, cal pensar el projecte com un flux complet (no com un “model” aïllat). Aquest és un procés típic que solem recomanar:
-
1) Definir l’objectiu i el catàleg de defectes
Quins defectes importen, amb quin nivell de detall i per a quin ús: triatge, informe de manteniment, auditoria o seguiment temporal. Aquí es defineixen també criteris (què és “defecte”) i com es mesura l’èxit.
-
2) Captura de dades i protocols de vol
S’estableixen angles, distàncies, resolució, estabilització, il·luminació i sensors (RGB, termal, LiDAR si aplica). El protocol és clau per obtenir dades comparables entre inspeccions.
-
3) Preparació, etiquetatge i control de qualitat
S’organitzen les dades, es filtra soroll i s’etiqueten exemples (bounding boxes o màscares). Una bona definició d’etiquetes evita inconsistències i millora el rendiment del model.
-
4) Entrenament i validació del model
Es tria l’enfocament (detecció, segmentació o híbrids) i s’entrena amb un conjunt de validació. L’objectiu és equilibrar precisió i robustesa en condicions reals (ombres, reflexos, brutícia, angles).
-
5) Inferència i postprocessat
El model analitza noves captures i es refina el resultat (per exemple, agrupar deteccions, eliminar falsos positius i consolidar evidències). Aquí sovint es decideix si l’anàlisi és en temps real o en lot.
-
6) Entrega i integració amb el teu flux de treball
El valor final depèn de com arriba als equips: informes, mapes, capes GIS, taules, tickets o integració via API amb el teu sistema de manteniment o BI.
-
7) Millora contínua
Quan apareixen nous materials, condicions o defectes, el model s’ajusta amb noves dades. Això evita degradació i manté el sistema útil any rere any.
Què canvia quan ho portes a producció?
La diferència està en tenir governança: versions de dades i model, criteris d’acceptació, traçabilitat d’evidències i integració. Aquesta part és on aporta més valor una implementació sòlida.
Si vols anar directe a aquesta fase, mira Integració i Implementació d’IA. Si primer necessites definir prioritats i full de ruta, tens Consultoria i Roadmap d’IA.
Edge AI vs núvol: on s’ha d’executar la IA?
En inspecció amb drons, hi ha dues maneres habituals d’executar l’anàlisi: a prop de la captura (edge) o al núvol. La decisió depèn del teu objectiu i del context operatiu.
Quan té sentit Edge (a peu d’obra)
- Vols feedback immediat per repetir una passada o capturar un detall al moment.
- Hi ha limitacions de connectivitat o vols reduir transferències de dades.
- Necessites triatge ràpid per prioritzar què revisar amb més detall.
Quan té sentit el núvol (anàlisi en profunditat)
- Vols aplicar models més pesats i postprocessos avançats (segmentació fina, correlacions, comparatives).
- Necessites integrar-ho amb dades històriques i dashboards corporatius.
- La prioritat és robustesa i traçabilitat més que temps real.
Dades i qualitat: la diferència entre una demo i una inspecció fiable
En reconeixement d’objectes, la qualitat no és només “tenir moltes imatges”. És tenir el conjunt correcte, amb variabilitat real, etiquetes coherents i una validació que reflecteixi l’operativa.
Bones pràctiques que milloren resultats
- Definir bé les classes: què entra i què no entra a cada defecte (i exemples límit).
- Variabilitat real: llum, ombres, angles, brutícia, materials, estacions i condicions meteorològiques.
- Ground truth consistent: si dues persones etiqueten diferent, el model aprèn “soroll”.
- Mètriques útils: no només “encerts”, sinó falsos positius/negatius i què costa cada error.
- Human-in-the-loop: revisió i confirmació en casos borderline per guanyar fiabilitat sense perdre velocitat.
Un punt clau: decidir què és “acceptable”
En infraestructures, l’objectiu sovint no és eliminar tots els errors, sinó controlar-los: prioritzar detecció d’anomalies crítiques, reduir soroll i garantir traçabilitat per justificar decisions.
Integració: com fas que la detecció arribi on realment es decideix
Si el resultat queda en un PDF que ningú pot explotar, el valor es dilueix. La integració converteix la inspecció en un procés operatiu: detectar → validar → assignar → executar → auditar.
Integracions habituals
- GIS / mapes: per visualitzar incidències per tram, coordenades i capes.
- BIM / digital twin: per connectar defectes amb elements i historial.
- CMMS / manteniment: per generar ordres de treball i seguiment.
- BI i dashboards: KPIs, evolució temporal, comparatives i priorització.
Aquesta part encaixa amb Integració i Implementació d’IA, perquè el focus és que el resultat passi dins del teu flux real (sistemes, permisos, dades, govern).
Si el que necessites és una visió completa de formats de treball i opcions, pots veure paquets i preus per orientar-te segons maduresa i objectiu.
Com t’ajudem a portar-ho a pràctica
A Bastelia enfoquem aquests projectes amb una idea simple: el valor és mesurable quan l’anàlisi està ben definida, la integració és real i la qualitat està controlada. El resultat ha de servir per decidir, no només per demostrar tecnologia.
Enfocament recomanat (pilot amb criteri)
- Diagnòstic ràpid: objectiu, tipus d’actiu, defectes a detectar, dades disponibles i criteris d’èxit.
- Pilot acotat: un actiu o tram, un catàleg de defectes i un flux d’entrega usable.
- Integració mínima viable: exportació o API perquè l’equip tècnic pugui treballar.
- Escalat: més actius, més defectes, més automatització i millora contínua.
Per començar amb una base sòlida, tens Consultoria i Roadmap d’IA. Per veure el paraigua complet de serveis, consulta Serveis d’IA per a empreses.
Preguntes freqüents sobre inspecció d’infraestructures amb drons i IA
Quina diferència hi ha entre detecció d’objectes i segmentació?
La detecció marca on hi ha l’element (normalment amb una capsa) i el classifica. La segmentació delimita la zona exacta (màscara) i permet quantificar-la millor. En corrosió o despreniments, la segmentació acostuma a aportar més valor; en fissures, depèn del nivell de mesura que necessitis.
Cal entrenar un model a mida o existeixen models reutilitzables?
Sovint es pot començar amb models preentrenats i adaptar-los, però en infraestructures la variabilitat és alta (materials, il·luminació, entorns). Quan el defecte és específic o crític, un model a mida amb dades pròpies sol millorar consistència i reduir falsos positius.
Quantes imatges necessito per començar?
No hi ha una xifra universal: depèn del nombre de defectes, la variabilitat i el nivell de precisió esperat. El millor enfocament és iniciar un pilot amb un catàleg acotat, mesurar resultats i ampliar dades segons el que realment impacta.
Es pot fer en temps real durant el vol?
Sí, en alguns casos té sentit fer triatge a edge (a peu d’obra) per re-capturar detalls al moment. Si busques anàlisi més profunda (segmentació fina, comparatives, informes complets), acostuma a ser més eficient fer-ho en lot al núvol o a servidor.
Com controleu la qualitat i els falsos positius?
Amb definicions clares de defecte, etiquetatge consistent, validació amb dades reals i llindars ajustats a l’operativa. A més, en molts casos es dissenya un flux de revisió humana (human-in-the-loop) per als casos dubtosos, sense frenar el procés.
Com s’entreguen els resultats a l’equip tècnic?
Poden lliurar-se com a catàleg d’incidències amb evidència, mapes/capes GIS, informes i, quan convé, integració via API amb sistemes de manteniment, BI o repositoris interns. L’important és que el resultat “entri” al vostre circuit de decisió.
Quin és el primer pas si vull valorar-ho?
Envia’ns un email a info@bastelia.com amb: tipus d’actiu, defectes d’interès, com feu avui la inspecció, quines dades teniu (RGB/termal/LiDAR) i si necessiteu integració amb GIS/BIM/CMMS. Et respondrem amb un plantejament de pilot realista.