Detección basada en imágenes de pernos y defectos por ausencia de pernos en escenarios multiángulo y con fondos complejos

Por qué importa revisar pequeños elementos de fijación

Ocultos dentro de puentes, torres y otras estructuras de acero hay cientos de miles de pernos que, silenciosamente, mantienen todo unido. Si demasiados de estos elementos se aflojan o faltan, la resistencia de la estructura completa puede reducirse, a veces con consecuencias peligrosas. Inspeccionarlos uno por uno a mano es lento, costoso y fácil de errar, especialmente cuando los operarios deben trepar a gran altura o meterse en espacios incómodos. Este estudio explora cómo cámaras inteligentes e inteligencia artificial pueden detectar automáticamente pernos faltantes en condiciones reales, haciendo las comprobaciones de seguridad más rápidas, seguras y fiables.

De puentes reales a una biblioteca fotográfica rica

Para enseñar a un ordenador a reconocer pernos faltantes, los investigadores primero necesitaron una colección grande y variada de imágenes. Reunieron fotos de tres fuentes principales: un puente colgante de tamaño real en servicio, torres de transmisión de acero en el campo y una placa de acero especialmente construida con numerosos pernos en el laboratorio. En conjunto, aportaron más de 5.000 imágenes que muestran pernos desde muchos ángulos, a pleno sol y a la sombra, con óxido, manchas y recubrimientos de distintos colores. Para ampliar aún más esta biblioteca, el equipo aplicó ajustes clásicos de imagen, como añadir desenfoque y ruido o cambiar colores, y también recurrió a una especie de “motor de imaginación” llamado red generativa adversaria, que crea nuevas escenas realistas donde el objeto clave—el perno—permanece correcto pero el fondo y los alrededores varían.

Poniendo a prueba modelos de IA populares

Con esta rica biblioteca de imágenes, el equipo comparó tres sistemas de visión por computador líderes y ampliamente usados para detectar objetos en fotografías: tres versiones de la familia YOLO (You Only Look Once). Estos sistemas escanean una imagen en una sola pasada y proponen cuadros donde creen que hay objetos. Los investigadores midieron con qué frecuencia cada versión detectaba correctamente pernos y marcaba correctamente agujeros vacíos donde faltaba un perno. Los tres modelos se desempeñaron bastante bien, pero una versión—YOLOv8—sobresalió al equilibrar precisión y velocidad. Identificó pernos y pernos ausentes de manera fiable mientras procesaba las imágenes mucho más rápido que sus competidores, lo que la convierte en un punto de partida sólido para mejoras posteriores.

Enseñar al ordenador a ver a través del desorden

Las estructuras de acero rara vez se fotografían de forma limpia y frontal. Los pernos se ven desde ángulos extraños, a través de sombras o sobre fondos concurridos de hierba, hormigón y acero pintado. Para afrontar esto, los investigadores mejoraron el modelo YOLOv8 con dos añadidos clave. Primero, incorporaron un bloque moderno de análisis de imágenes llamado Swin-Transformer, que ayuda al sistema a percibir relaciones entre partes distantes de una imagen en lugar de centrarse solo en pequeños parches. Segundo, añadieron un módulo multiescala y de realce de detalles que presta atención especial a los bordes finos y a las formas pequeñas en diferentes tamaños. Trabajando juntos, estas mejoras hicieron que el modelo supiera distinguir mucho mejor si un pequeño círculo oscuro es realmente la cabeza de un perno, un agujero vacío o simplemente una mancha confusa en el fondo.

Demostrando el rendimiento en condiciones difíciles

El sistema mejorado se sometió luego a una serie de pruebas de estrés. Analizó imágenes de pernos vistos desde ángulos rasantes y pronunciados, con iluminación tenue, normal y extremadamente brillante, y sobre placas de acero pintadas de rojo, blanco o azul y fotografiadas contra entornos desordenados de hierba. En la mayoría de estas situaciones, el modelo juzgó correctamente el estado del perno casi siempre; incluso en los ángulos de cámara y luces más extremos, la precisión se mantuvo por encima de aproximadamente el 90 por ciento. Finalmente, los investigadores volaron un dron a lo largo de un puente colgante de 15 años, capturando miles de imágenes reales de inspección. El modelo examinó más de 12.700 conjuntos de pernos, localizando con precisión casi todos y señalando un único perno realmente ausente entre decenas de miles—una fuerte señal de que el método puede funcionar fuera del laboratorio.

Qué significa esto para la seguridad cotidiana

Para el público en general, el mensaje principal es que las comprobaciones rutinarias de seguridad en grandes estructuras de acero pronto podrían depender menos de personas avanzando por vigas con portapapeles y más de drones y algoritmos inteligentes. Al aprender de una colección fotográfica cuidadosamente construida y diversificada, y al usar trucos avanzados de procesamiento de imágenes para ver a través del desorden, el sistema de este estudio puede determinar de forma fiable si un perno está presente o ausente, incluso cuando las condiciones están lejos de ser perfectas. Aunque no es infalible, ya rinde lo bastante bien como para servir de potente ayuda a los inspectores humanos, ayudándoles a centrarse en los pocos lugares donde pueden existir problemas reales y, en última instancia, contribuyendo a puentes y torres más seguros con menos interrupciones y menor coste.

Cita: Gu, Y., Peng, D., Song, J. et al. Image-based detection of bolts and bolt-missing defects in multi-angle and complex background scenarios. Sci Rep 16, 11590 (2026). https://doi.org/10.1038/s41598-026-41036-x

Palabras clave: monitoreo de la salud estructural, inspección de puentes, visión por computador, aprendizaje profundo, defectos de pernos