Copyrights. MOHAMED,
2026. Todos los derechos reservados.
El hormigón es el material de construcción por excelencia en obras civiles, desde puentes y presas hasta edificios y pavimentos. A pesar de su probada resistencia, está intrínsecamente expuesto a la formación de grietas debido a cargas excesivas, asentamientos diferenciales, ciclos de congelación y descongelación, o ataques químicos. Una pequeña fisura puede, con el tiempo, evolucionar hacia un daño estructural significativo, comprometiendo la vida útil de la obra y la seguridad de las personas. Por este motivo, la evaluación de grietas deja de ser una simple inspección para convertirse en una necesidad ineludible de la ingeniería de mantenimiento.
Históricamente, esta tarea ha recaído en equipos de especialistas que realizan mediciones manuales in situ, un proceso lento, subjetivo y no exento de riesgos laborales. La llegada de las tecnologías digitales ha cambiado el paradigma al permitir capturas masivas de imágenes de alta resolución. El verdadero salto cualitativo, no obstante, lo ha proporcionado la inteligencia artificial (IA). La unión del procesamiento de imágenes con algoritmos de aprendizaje profundo ha dado lugar a sistemas automatizados capaces de detectar y cuantificar grietas con una precisión casi sobrehumana, transformando los flujos de trabajo en la conservación de infraestructuras.
Los métodos clásicos se apoyan en el ojo humano, cintas métricas, cartillas de comparación y fisurómetros. La calidad del diagnóstico depende en exceso de la experiencia, la agudeza visual y el cansancio del técnico. Dos inspectores pueden ofrecer informes dispares sobre la misma estructura; la subjetividad es inherente al proceso. Además, en zonas de difícil acceso, como pilares altos o partes sumergidas de una presa, el trabajador se expone a riesgos de altura, confinamiento o caídas, lo que eleva los costes en seguros y medidas preventivas.
Otra desventaja crítica es la lentitud. Evaluar un viaducto extenso o el interior de un túnel en horas nocturnas con cierres de carril programados resulta poco operativo. Mientras se completa la inspección, las grietas activas pueden propagarse. La documentación resultante suele consistir en anotaciones sobre planos en papel o registros fotográficos dispersos que dificultan el seguimiento histórico de una misma fisura. Frente a este escenario, la automatización surge como respuesta para homogeneizar criterios, acelerar la recogida de datos y eliminar la variabilidad humana.
Las administraciones y concesionarias de infraestructuras necesitan informes fiables y periódicos que les permitan priorizar inversiones en reparación. Sin una herramienta objetiva, la gestión del riesgo se convierte en una apuesta. Evaluar automáticamente cada milímetro de una superficie de hormigón no solo mejora la cobertura del análisis, sino que habilita la creación de gemelos digitales de la estructura, donde el historial de cada grieta se almacena y monitoriza de forma continua.
La tecnología arranca con la captura de imágenes digitales de alta definición mediante cámaras fijas, drones o vehículos robotizados. Estas imágenes contienen una enorme cantidad de píxeles que, en bruto, no son interpretables directamente. El procesamiento de imágenes consiste en transformar esa matriz de colores y brillos en un formato donde los bordes, las texturas y las anomalías se resalten. Técnicas de filtrado espacial, ecualización adaptativa del histograma y operaciones morfológicas preparan el terreno para que los algoritmos de IA trabajen con datos homogéneos y libres de reflejos o sombras engañosas.
Un paso crucial es la normalización geométrica. Las fotografías tomadas desde dron, por ejemplo, sufren distorsión de perspectiva. Corregirla mediante calibración de cámara y georreferenciación asegura que un píxel represente una magnitud física real y constante en toda la imagen. De este modo, no solo se detecta una grieta, sino que se mide su espesor verdadero con una precisión submilimétrica. Además, el ruido generado por suciedad, eflorescencias o desconchones debe ser identificado y segregado para no producir falsos positivos en la etapa de detección.
El éxito de un modelo de IA depende de la calidad del dato de entrada. En campañas de campo se utilizan cámaras de espectro visible e infrarrojo que revelan humedades o desprendimientos internos no visibles a simple vista. Las imágenes se toman con solapamiento y bajo condiciones de iluminación controladas; cuando no es posible, se aplican algoritmos de compensación lumínica. El preprocesamiento incluye también la extracción de la región de interés tras recortar fondos irrelevantes, como el paisaje o el andamio de un operario.
Una vez limpia la imagen, se procede a la vectorización de características. Los bordes se agudizan mediante el gradiente de Sobel o Canny, y se genera un mapa binario donde los píxeles oscuros indican discontinuidad. Este mapa es la entrada idónea para que el sistema inteligente decida si cada discontinuidad es realmente una fisura o, por el contrario, una junta de dilatación o una marca de encofrado. Sin este trabajo preliminar, la inteligencia artificial necesitaría conjuntos de datos mucho mayores para aprender a ignorar distracciones contextuales.
Los primeros trabajos emplearon clasificadores basados en máquinas de soporte vectorial alimentadas con características artesanales (descriptores de textura, momentos de Hu, etc.). Su rendimiento resultaba aceptable en laboratorio pero frágil en obra real. El cambio disruptivo lo trajeron las redes neuronales convolucionales (CNN). Estas arquitecturas aprenden automáticamente jerarquías de características: las primeras capas detectan líneas y esquinas, mientras que las más profundas reconocen formas complejas propias de las fisuras.
Hoy en día, arquitecturas como U-Net y sus variantes dominan esta disciplina. U-Net es una red de segmentación semántica diseñada originalmente para imágenes médicas y adaptada brillantemente a la detección de grietas. Consta de un camino contractivo, que analiza el contexto, y uno expansivo, que recupera la resolución espacial perdida. El resultado es una máscara binaria del mismo tamaño que la imagen de entrada donde cada píxel está etiquetado como “grieta” o “fondo”. Modelos como YOLOv8, por su parte, permiten la detección y el recuadro delimitador de cada defecto en tiempo real, ideal para inspecciones desde dron en movimiento.
El flujo de trabajo se inicia con la captura sistemática de imágenes, continúa con el preprocesamiento descrito y culmina en la inferencia del modelo de IA. El algoritmo recorre la fotografía parcelándola en teselas para no saturar la memoria de la GPU. Para cada tesela, la red neuronal devuelve una probabilidad de pertenencia a la clase “grieta”. Se aplica un umbral de decisión (por ejemplo, 0.5) para binarizar el resultado. Acto seguido, un módulo de postprocesamiento encadena las detecciones en polígonos coherentes, elimina píxeles aislados y calcula métricas geométricas como longitud, anchura máxima, media y orientación dominante.
La precisión del sistema se valida con un conjunto de datos independiente, compuesto por imágenes de estructuras reales anotadas por expertos. Las métricas habituales incluyen el F1-score, que armoniza la precisión (cuántas de las detecciones son ciertas) y la exhaustividad (cuántas grietas reales se han localizado). Valores superiores a 0.90 en F1-score en exteriores se consideran excelentes. Este bucle de validación permite ajustar el modelo y garantizar que el comportamiento en producción esté alineado con los estándares de calidad exigidos por las normativas de inspección.
La segmentación semántica es la habilidad del sistema de etiquetar cada píxel individualmente. A diferencia de la simple detección de objetos, que dibuja rectángulos alrededor del defecto, aquí se traza la silueta exacta de la fisura, incluso en sus ramificaciones más finas. Esta precisión milimétrica es esencial para calcular la tasa de daño superficial, parámetro clave en informes de patología del hormigón. Las redes tipo U-Net se entrenan con miles de imágenes anotadas manualmente por ingenieros, un trabajo laborioso pero que se amortiza rápidamente.
Tras la segmentación, un análisis de componentes conectados agrupa los píxeles en entidades individuales y descarta aquellos agrupamientos con área inferior a un umbral mínimo, minimizando falsos positivos originados por poros o textura superficial. El resultado es un vector de objetos “grieta” independiente. Cada uno hereda un identificador único (ID de grieta), lo que permite seguir su evolución temporal si se repiten las inspecciones. La exportación a formatos estándar como GeoJSON o DXF facilita la integración con software de diseño asistido por computadora y sistemas de información geográfica.
No basta con detectar: hay que diagnosticar. Una vez extraídas las métricas geométricas, un módulo experto clasifica la severidad siguiendo guías como las del American Concrete Institute o los eurocódigos. Por ejemplo, se considera una fisura capilar aquella de ancho inferior a 0.2 mm, mientras que una grieta estructural supera los 0.4 mm y requiere intervención inmediata. El sistema asigna una etiqueta de prioridad (baja, media, alta, crítica) y genera un mapa de calor que los gestores de infraestructuras pueden consultar en una plataforma web.
El informe automático incluye, además de las métricas, la fotografía original con la superposición de la máscara de detección y un gráfico de evolución si existen datos históricos. Al eliminar la redacción manual, se reduce el tiempo entre la inspección y la disponibilidad del informe de semanas a minutos. Esta agilidad habilita escenarios de inspección continua, donde un dron programado vuela cada trimestre y envía las conclusiones a un cuadro de mando que alerta cuando una grieta crece por encima del umbral tolerado.
El primer beneficio tangible es la eliminación de la subjetividad. Todos los tramos de una obra se evalúan con la misma vara de medir, garantizando una valoración homogénea independientemente del turno o del operador. La repetitividad de la medida permite establecer series temporales fiables, un insumo crucial para los modelos predictivos de deterioro que estiman la vida útil remanente. Con datos objetivos, las concesionarias pueden negociar contratos de mantenimiento basados en el estado real, una tendencia conocida como mantenimiento predictivo.
En términos económicos, aunque la inversión inicial en equipos y desarrollo de modelos pueda parecer elevada, el ahorro a medio plazo es rotundo. Se reducen drásticamente los costes directos de personal, los desplazamientos y los alquileres de equipos de acceso. Además, la prevención de fallos estructurales evita reparaciones catastróficas que pueden multiplicar por diez el coste de una intervención temprana. La automatización, en suma, convierte la inspección en un centro generador de valor y conocimiento, alejándola de ser un mero gasto operativo obligatorio.
El rendimiento de cualquier modelo de aprendizaje profundo está directamente ligado a la diversidad y calidad del conjunto de datos de entrenamiento. Un sistema entrenado únicamente con grietas sobre superficies lisas de laboratorio fallará al enfrentarse a hormigón texturizado, manchas de humedad o grafitis. Es necesario poblar el repositorio con imágenes de las condiciones más adversas: distinta iluminación, presencia de sombras, musgo, desgastes y reparaciones previas. Cuanto más representativo sea el conjunto, mejor generalizará el modelo en producción.
La creación de conjuntos de datos masivos anotados es costosa y lenta. Para mitigarlo, se recurre a técnicas de aumento de datos (rotaciones, volteos, variaciones de brillo y contraste) y a la transferencia de aprendizaje. Esta última estrategia aprovecha modelos preentrenados en grandes bases de datos visuales genéricas, como ImageNet, y los ajusta con un número relativamente pequeño de imágenes específicas de grietas. El conocimiento de bajo nivel (detección de bordes, esquinas, texturas) se reutiliza, acelerando el entrenamiento y mejorando la precisión cuando el dominio de aplicación carece de millones de ejemplos.
Cuando ve circular un dron alrededor de un puente, el ciudadano percibe una actividad técnica compleja, pero el beneficio que obtiene es sencillo: seguridad. La inspección automatizada previene situaciones de riesgo que, en el peor de los casos, podrían conducir a cierres de carretera o colapsos. Del mismo modo que un escáner médico detecta una lesión interna antes de que cause síntomas, las cámaras inteligentes identifican grietas cuando aún son manejables, ahorrando molestias y dinero público que acaba revirtiendo en mejores servicios.
Toda la información recogida, una vez procesada, se presenta en informes visuales de fácil comprensión: mapas coloreados donde el verde indica “ningún daño” y el rojo “atención inmediata”. Los responsables de mantenimiento pueden ver de un vistazo dónde actuar, priorizando las zonas más críticas sin necesidad de dominar la jerga del aprendizaje automático. Esta democratización de los datos técnicos acorta las cadenas de decisión y permite a ayuntamientos o juntas vecinales evaluar por sí mismos el estado de sus infraestructuras.
Además, la posibilidad de almacenar el historial de inspecciones en la nube crea un expediente digital perpetuo. Cuando se discuta una partida presupuestaria para rehabilitación, el gestor dispondrá de pruebas gráficas, métricas objetivas y comparativas interanuales. Así, la transparencia en la inversión pública aumenta y se pueden medir con exactitud los resultados de las reparaciones ejecutadas, cerrando el ciclo de mejora continua en la gestión de obras.
Desde el punto de vista de la implementación, uno de los principales desafíos es la inferencia on-device. Embarcar una GPU en un dron limitado por batería y capacidad de cómputo obliga a utilizar técnicas de cuantización y poda de redes, comprimiendo el modelo sin merma significativa de precisión. Frameworks como TensorRT o ONNX Runtime facilitan la exportación a entornos embebidos compatibles con los procesadores NVIDIA Jetson o Hailo-8. La latencia debe mantenerse por debajo del tiempo de adquisición de la imagen para habilitar detección en streaming durante el vuelo.
Otro frente de desarrollo es la fusión de sensores. Combinar imágenes visibles con nubes de puntos LIDAR o fotogrametría 3D permite no solo detectar grietas, sino cuantificar la profundidad y vincular cada fisura a su ubicación exacta en el modelo tridimensional. Esta sinergia tecnológica, junto con la implantación de estándares abiertos como IFC para el intercambio de datos, definirá la próxima generación de sistemas de inspección. Los equipos de I+D concentran esfuerzos en la detección temprana de microfisuras mediante visión hiperespectral, una frontera de conocimiento que promete anticiparse incluso a la formación visible de la grieta.
Por último, la evolución normativa será tan importante como la técnica. Para que un algoritmo emita un dictamen vinculante de severidad, los colegios profesionales y las administraciones deberán consensuar criterios de validación y certificación del software, similares a los que ya existen para programas de cálculo estructural. Habrá que definir umbrales de precisión mínimos y protocolos de verificación cruzada con inspecciones humanas durante el período transitorio. La automatización no aspira a eliminar al ingeniero, sino a multiplicar su capacidad analítica, liberándole del trabajo mecánico de medir para concentrar su talento en la interpretación contextual, la modelización predictiva y la toma de decisiones.
En MOHAMED, nos encargamos de construir sueños y reparar tus espacios favoritos con pasión y dedicación. ¡Confía en nosotros para cualquier proyecto!
