Inteligencia Artificial para el mantenimiento de calles y carreteras

¿Quién no ha protestado alguna vez al pillar un bache con el coche, o al circular por una carretera con un firme horrible? El buen mantenimiento del viario, ya sean calles o carreteras es esencial en nuestra sociedad, y su carencia la sufrimos a diario todo el mundo. Sin embargo, es difícil conocer globalmente cómo están todas las calles y carreteras de un territorio, y más difícil aún estar pendientes de cuándo se empiezan a deteriorar. Normalmente se hace mediante inspecciones de personal de las empresas de mantenimiento o de la concejalía del ayuntamiento. Pero hacerlo así es una forma lenta que sólo puede hacerse de forma marginal, además de conllevar un potencial peligro de ser atropellado. 

Estamos en la era de la Inteligencia Artificial, ¡usémosla! En el Grupo de Investigación en Informática Avanzada (GIIA) TIC-252 llevamos desde 2015 aplicando técnicas de Visión por Computador e Inteligencia Artificial para desarrollar mecanismos útiles en mantenimiento de carreteras. 

Soy Joaquín Olivares, catedrático de la Universidad de Córdoba, el investigador responsable de la UCO para el contrato de transferencia Inspect-Roads con la empresa malagueña Conacon Sando. Esta ya aplica los primeros resultados de tantos años de investigación del grupo GIIA en el mantenimiento de calles y carreteras malagueñas y también en otras ciudades donde presta los servicios de conservación del viario público o de carreteras y autopistas, de comunidades como Andalucía, Comunidad de Madrid, Islas Canarias o en la Región de Murcia, entre otras. 

En GIIA hemos desarrollado un algoritmo basado en Inteligencia Artificial que, a partir de imágenes tomadas en una cámara instalada sobre un vehículo, detecta y clasifica los defectos de la calzada mientras circula a velocidad normal. Esta herramienta se integra en una plataforma georreferenciada, es decir, con posicionamiento GPS, la cual permite incluir en un mapa qué ha captado y detectado el vehículo en cada momento, similar a como lo haría el típico Google Maps.  

Si tenemos todos los defectos, no sólo podemos saber qué hemos encontrado, también conoceremos el estado general de las calles y carreteras del municipio o provincia, pero es más, podremos usar esa información para decidir qué calles o carreteras es preciso arreglar antes y cuáles pueden esperar un poco. Y todavía más, conociendo la rapidez con que aparecen nuevos defectos, podemos adelantarnos y hacer pequeños arreglos que eviten grandes reparaciones, usted los ha visto cuando en la carretera encuentra grietas que han sido selladas. El poder anticiparse a que la calzada se deteriore lo llamamos mantenimiento preventivo, mientras que al realizar una simulación por ordenador para ver cómo se va a deteriorar le decimos mantenimiento predictivo. 

¿Cómo lo hacemos? Seguramente, apreciado lector, usted habrá visto alguna película en la que en un vídeo se ven unos cuadritos de colores que marcan coches o personas. Esos cuadros representan áreas de detección determinadas por un algoritmo basado en técnicas de Deep Learning, esta palabreja seguramente le empezará también a sonar. Detrás del Deep Learning hay un campo de la Inteligencia Artificial basado en simular el procesamiento humano al que llamamos Redes Neuronales. Pero detectar grietas en una imagen de una carretera no es tan sencillo como ver un coche, que se diferencia clarísimamente de su entorno y tiene formas bien definidas, una grieta… ¿una grieta de carretera qué es? ¿Quizá una línea un poco oscura en un fondo de granos grises y negros? ¿Y si hay sombras o cosas tiradas en el suelo? En ese momento es necesario aplicar también técnicas de procesamiento de imágenes para resaltar los posibles defectos que buscamos, pero hoy no es día de hacerle explotar la cabeza hablando de operaciones matemáticas, aunque si le pica la curiosidad, los resultados se publican en revistas científicas de muchísimo prestigio, tanto como en la segunda revista en importancia en un ranking de 181 revistas científicas de ingeniería civil a nivel mundial [1].

Igual si un día tropieza usted con un coche que lleva una cámara en lo alto, puede que no sea Google, sino que haya tropezado usted con nuestro sistema. Quizá con un poco más de suerte le arreglen pronto su calle, aunque eso ya es harina de otro costal. 

Gracias por dedicar unos minutos a leernos. 

[ Conacon Sando ha recibido incentivos de financiación pública para este proyecto tanto de CTA (Corporación Tecnológica de Andalucía) como de CDTI (Centro para el Desarrollo Tecnológico y la Innovación].

[1] Efficient data reduction technique for improving road crack classification algorithms. Computer-Aided Civil and Infrastructure Engineering. 00. 1-16. 2023