Características térmicas multi-representación para un análisis mejorado de defectos en termografía por pulso

Ver fallos ocultos con calor

Los aviones, coches y puentes modernos están fabricados con materiales complejos que deben inspeccionarse sin abrirlos. Las cámaras infrarrojas ya permiten a los ingenieros "ver" patrones de calor que revelan defectos ocultos bajo una superficie. Este artículo presenta una forma más inteligente, llamada PT-Fusion, de interpretar esas huellas térmicas para que los fallos diminutos se detecten con mayor fiabilidad y su profundidad bajo la superficie pueda estimarse con notable precisión.

Cómo el calor revela lo que el ojo no ve

La termografía por pulso es una idea simple: un destello corto e intenso calienta brevemente la superficie de una pieza y una cámara infrarroja registra cómo el calor se difunde y se disipa en el tiempo. Si el material está íntegro, el calor fluye de forma homogénea. Si hay un vacío o una grieta bajo la superficie, el calor se atrapa o se desvía, creando una perturbación sutil de temperatura en la superficie. Analizando una pequeña película de estos cambios de temperatura, los inspectores pueden detectar problemas sin taladrar, cortar o dañar el componente.

Por qué los mapas térmicos actuales dejan información sobre la mesa

Como las películas térmicas sin procesar son grandes y ruidosas, los ingenieros usan trucos matemáticos para resumirlas en imágenes más compactas antes de introducirlas en sistemas de inteligencia artificial. Dos de los resúmenes más populares son la Termografía por Componentes Principales (PCT), que agudiza el contraste visual de los defectos, y la Reconstrucción de Señal Termográfica (TSR), que se centra en cómo evoluciona en el tiempo la temperatura de cada píxel. La mayoría de los sistemas de inspección existentes eligen una u otra, o simplemente las apilan como canales adicionales. Ese enfoque resulta ineficiente: cada representación contiene pistas distintas y complementarias sobre dónde están los defectos y qué profundidad tienen, pero las redes neuronales convencionales no están guiadas para combinarlas de forma inteligente.

Una forma más inteligente de mezclar pistas térmicas

El sistema PT-Fusion está diseñado específicamente para fusionar estas diferentes vistas térmicas. Usa dos ramas de procesamiento en paralelo, una dedicada a las imágenes PCT y otra a las TSR, cada una extrayendo patrones que son especialmente claros en su propia representación. En etapas clave, intervienen módulos de fusión especiales. Una Puerta de Fusión con Ponderación Adaptativa decide, píxel a píxel, cuánto confiar en cada rama, mientras que un Bloque de Decodificación Mejorado por Enmascaramiento inyecta suavemente la información fusionada de vuelta en las capas de reconstrucción que producen las predicciones finales. En lugar de concatenar a ciegas los flujos de datos, la red aprende qué representación es más informativa en cada región y las equilibra en consecuencia.

Aprovechar al máximo datos de prueba limitados

Los experimentos de termografía de alta calidad son caros y consumen tiempo, por lo que los grandes conjuntos de datos etiquetados son escasos. Para abordar esto, los autores elaboran una estrategia de aumento de datos espaciotemporales adaptada a películas térmicas. En lugar de limitarse a rotar o desplazar imágenes, muestrean aleatoriamente fotogramas dentro de cada secuencia para imitar diferentes historiales de calentamiento y enfriamiento, y luego inyectan ruido controlado para simular artefactos reales de la cámara. Se calculan nuevas imágenes PCT y TSR a partir de estas secuencias modificadas, aumentando considerablemente la variedad sin romper la física subyacente de la difusión del calor. Esta dieta de entrenamiento más rica ayuda a PT-Fusion a aprender patrones robustos en lugar de memorizar un conjunto pequeño de ejemplos.

Mapas más nítidos y profundidades más fiables

Los investigadores evalúan PT-Fusion en un conjunto de datos público de muestras plásticas que contienen agujeros subsuperficiales artificiales a profundidades conocidas. Analizan dos tareas: asignar a cada píxel una clase de profundidad y realizar simultáneamente el etiquetado defecto/no defecto y la estimación continua de profundidad. PT-Fusion no solo segmenta los defectos con mayor precisión que redes convolucionales clásicas como U-Net y 3D-CNN, sino que también compite con modelos basados en transformadores más pesados usando muchos menos parámetros y funcionando más rápido. Sus profundidades predichas siguen de cerca los valores reales, con errores medios muy pequeños. De forma importante, cuando se entrena con una forma de defecto (por ejemplo cuadrados) y se prueba con otra (círculos), el sistema sigue rindiendo bien, lo que indica que ha aprendido la física del flujo térmico en lugar de memorizar contornos.

Qué significa esto para estructuras más seguras

Para el público general, el mensaje clave es que PT-Fusion convierte la imagen térmica en una herramienta más potente y confiable para proteger estructuras críticas. Al fusionar inteligentemente dos vistas basadas en calor y enriquecer datos escasos mediante aumentos respetuosos con la física, el método puede detectar defectos con mayor claridad y estimar cuán profundos están bajo la superficie. Este tipo de avances nos acerca a líneas de inspección rápidas y automatizadas que puedan monitorizar discretamente piezas de aeronaves, tuberías y otros componentes vitales, detectando problemas ocultos temprano, sin necesidad de desmontarlos.

Cita: Salah, M., Werghi, N., Svetinovic, D. et al. Multi-representation thermal features for enhanced defect analysis in pulse thermography. Sci Rep 16, 12926 (2026). https://doi.org/10.1038/s41598-026-42031-y

Palabras clave: termografía infrarroja, ensayos no destructivos, inspección con aprendizaje profundo, detección de defectos subsuperficiales, termografía por pulso