Marco automatizado y de bajo coste para la medición de fisuras en estructuras de hormigón armado mediante un enfoque de aprendizaje profundo

Por qué importan las diminutas fisuras en grandes estructuras

Desde puentes de carretera hasta bloques de viviendas, muchas de las estructuras de hormigón de las que dependemos a diario desarrollan lentamente fisuras capilares. Estas diminutas aberturas pueden dejar entrar agua y sal que degradan el acero oculto en su interior, acortando la vida útil segura de la estructura. Inspeccionar y medir estas fisuras ha significado tradicionalmente trabajo manual y lento por parte de especialistas con lupas y calibres. Este artículo presenta una manera de convertir un teléfono inteligente ordinario en una herramienta de inspección de bajo coste que puede detectar automáticamente fisuras en superficies de hormigón y estimar su anchura, ayudando a los ingenieros a decidir cuándo son realmente necesarias las reparaciones.

De las comprobaciones manuales lentas a las imágenes inteligentes

Los ingenieros saben desde hace tiempo que el tamaño y la ubicación de las fisuras son pistas clave sobre cuánto daño ha sufrido una estructura de hormigón y cuánto le queda de vida útil. Pero las mediciones manuales de fisuras consumen mucho tiempo, dependen de la habilidad del inspector y pueden ser inconsistentes entre visitas. Investigadores han experimentado con cámaras, láseres e incluso drones para automatizar el proceso, pero muchos de estos sistemas son caros, complicados de instalar o difíciles de desplegar en espacios reducidos o interiores. Los autores de este estudio se propusieron diseñar una alternativa práctica que funcione con teléfonos inteligentes ampliamente disponibles y patrones impresos simples, manteniendo los costes bajos y ofreciendo medidas lo suficientemente precisas para decisiones del mundo real.

Enseñar a un ordenador a ver fisuras

En el núcleo del nuevo marco hay un sistema moderno de reconocimiento de imágenes basado en un modelo de aprendizaje profundo llamado YOLO-V11. El equipo entrenó este modelo con miles de fotografías de superficies de hormigón fisuradas para que pudiera distinguir fisuras reales de sombras, manchas y marcas. Para hacer el sistema robusto en entornos reales desordenados, añadieron deliberadamente líneas coloreadas artificiales en las imágenes de entrenamiento, forzando al modelo a aprender las sutiles diferencias visuales entre una línea pintada y una rotura real en el hormigón. También mejoraron el contraste y la nitidez de las imágenes durante el entrenamiento. Estos pasos mejoraron significativamente la capacidad del modelo para detectar fisuras y trazar sus bordes, incluso cuando la iluminación es desigual o la superficie es rugosa.

Convertir imágenes en mediciones reales

Detectar una fisura es solo la mitad del trabajo; los ingenieros necesitan su anchura real en milímetros, no solo en píxeles en una pantalla. Para salvar esa brecha, los investigadores usaron cuatro pequeños patrones de tablero de ajedrez pegados alrededor del área fotografiada. Dado que se conoce el tamaño de cada casilla del tablero, el software puede corregir la inclinación de la cámara y la distorsión de la lente, y luego calcular cuántos milímetros corresponden a cada píxel en la imagen. La región de la fisura se analiza en mosaicos solapados para capturar detalles muy finos; luego el software encuentra un delgado “esqueleto” por el centro de cada fisura y mide la distancia hasta los bordes de la fisura a lo largo de esa línea. La combinación de estos pasos produce un mapa de las anchuras de las fisuras en el área inspeccionada.

Qué tan bien funciona en el mundo real

Para probar su enfoque, el equipo reunió 230 mediciones de fisuras tanto de probetas de laboratorio como de edificios de hormigón existentes, usando un microscopio digital de alta resolución como referencia. Después tomaron fotos con un teléfono inteligente a aproximadamente un metro de distancia, las procesaron mediante su marco y compararon las anchuras de fisura predichas con las lecturas manuales. En promedio, el error del sistema automatizado fue de alrededor de una octava parte de la anchura real, con diferencias típicas de solo unas centésimas de milímetro. Funcionó especialmente bien para fisuras de más de medio milímetro, donde la variación entre las anchuras predichas y las reales fue pequeña. Para fisuras extremadamente finas, la incertidumbre fue mayor, lo que sugiere que fotografías más cercanas o cámaras de mayor resolución mejorarían aún más la precisión.

Lo que esto significa para la seguridad cotidiana

El estudio demuestra que una combinación cuidadosamente diseñada de fotografía con teléfono inteligente, patrones impresos simples y análisis de imagen avanzado puede proporcionar mediciones fiables de fisuras sin equipos caros ni operadores altamente especializados. El sistema tiende a sobreestimar ligeramente las anchuras de las fisuras, lo que es un sesgo conservador y más seguro al evaluar la salud estructural. Con futuras mejoras —como usar sensores de profundidad integrados en teléfonos más nuevos en lugar de tableros físicos— el método podría hacer que las inspecciones de salud rutinarias y de bajo coste de edificios, puentes y otras estructuras sean mucho más accesibles, ayudando a los propietarios a detectar problemas antes y a priorizar las reparaciones donde más importan.

Cita: Hassouna, M., Marzouk, M. & Fathalla, E. Automated low-cost framework for crack measurements in RC structures using deep learning approach. Sci Rep 16, 14678 (2026). https://doi.org/10.1038/s41598-026-50880-w

Palabras clave: fisuras en hormigón, monitorización de la salud estructural, inspección con aprendizaje profundo, medición con teléfono inteligente, seguridad de infraestructuras