El cable de acero es el componente de soporte más crítico del puente grúa; su estado de salud condiciona directamente la seguridad del equipo y la operación productiva. La inspección manual tradicional, basada en la revisión visual y el uso de instrumentos portátiles, presenta múltiples limitaciones: zonas de detección inaccesibles, alta subjetividad en los criterios y ausencia de alerta temprana en tiempo real. Con la madurez del aprendizaje profundo, los sistemas de inspección en línea basados en visión artificial se han consolidado como el eje estratégico de la transformación digital del sector. Este artículo toma como referencia un caso real de ingeniería desplegado por Kelude, y describe de forma sistemática la arquitectura global, los algoritmos centrales, el despliegue de hardware y las prácticas de ingeniería del sistema de inspección visual por IA para el cable de acero del puente grúa.

Arquitectura del sistema de inspección de cables con visión artificial

El sistema de inspección visual en línea para el cable de acero del puente grúa se estructura en cuatro capas, formando un ciclo cerrado que abarca desde la adquisición de datos en el nivel inferior hasta la integración de negocio en el nivel superior, garantizando la inmediatez, precisión y trazabilidad de los resultados de detección.

1. Capa de percepción (adquisición de imágenes)

La capa de percepción constituye la base del sistema y está compuesta por cámaras industriales de alta resolución, luces LED estroboscópicas y lentes ópticas. Según los diferentes tramos del cable y los requisitos de inspección, se adopta un esquema de despliegue multicámara coordinado: una cámara cenital cubre la zona de fijación del extremo superior del cable; una cámara lateral monitorea el tramo de cable libre en su sección media; y una cámara en contrapicado se orienta hacia el extremo inferior del cable y la zona de la polea del gancho. Cada cámara incorpora un sensor CMOS de obturador global, capaz de alcanzar hasta 200 fps, lo que permite capturar con nitidez los defectos superficiales del cable durante el funcionamiento del puente grúa. Las luces LED funcionan en modo estroboscópico, con un ancho de pulso ajustable a nivel de microsegundos, lo que elimina eficazmente los reflejos de grasa y las irregularidades de iluminación, asegurando una calidad de imagen estable.

2. Capa de inferencia (plataforma de cómputo de IA)

La capa de inferencia se despliega en un dispositivo de computación en el borde NVIDIA Jetson, donde se ejecuta un modelo de detección de objetos YOLOv8s optimizado. El modelo se acelera mediante el motor de inferencia TensorRT, logrando un tiempo de inferencia por fotograma inferior a 25 ms, lo que satisface los requisitos de detección en tiempo real cuando el cable del puente grúa se desplaza a una velocidad de 0,5 m/s. Esta capa se encarga de la detección de defectos en cada fotograma, generando coordenadas de cajas delimitadoras, niveles de confianza por clase y máscaras de segmentación para defectos como rotura de alambres, desgaste y corrosión. Además, los resultados de detección y los vectores de características se transmiten de forma sincronizada a la capa de análisis.

3. Capa de análisis (clasificación y evaluación de defectos)

La capa de análisis se ejecuta en el servidor y recibe los resultados de detección enviados por la capa de inferencia. Mediante un modelo especializado de clasificación de defectos, realiza una segunda clasificación fina de cada caja de detección. Este modelo, basado en la red neuronal EfficientNet-B4, es capaz de distinguir 11 subtipos de defectos en cables de acero: rotura local de alambres, rotura concentrada, desgaste uniforme, desgaste local, corrosión por picadura, corrosión uniforme, deformación ondulada, deformación en linterna, reducción del diámetro del cable, lubricación deficiente y adherencia de contaminantes superficiales. La capa de análisis integra además datos de series temporales, realizando un seguimiento de las múltiples detecciones en una misma posición para evaluar la evolución del defecto y su grado de severidad.

Los resultados de la evaluación emitidos por la capa de análisis se clasifican en cuatro grados de severidad: normal (Grado 0), leve (Grado 1), moderado (Grado 2) y severo (Grado 3). Cuando el grado de defecto alcanza el nivel moderado o superior, el sistema activa automáticamente el mecanismo de alerta.

4. Capa de alerta (integración PHM y mantenimiento)

La capa de alerta se integra profundamente con la plataforma de gestión predictiva de salud (PHM) y el sistema computarizado de gestión de mantenimiento (CMMS). Cuando se detecta que un defecto en el cable alcanza el umbral de alerta, el sistema ejecuta automáticamente las siguientes acciones: (1) muestra una ventana emergente de alerta en tiempo real en el panel PHM, resaltando la ubicación y el tipo de defecto; (2) genera automáticamente una orden de mantenimiento estandarizada según el grado y la ubicación del defecto, y la envía al sistema CMMS; (3) notifica al personal responsable del mantenimiento mediante SMS, WhatsApp o correo electrónico; (4) registra el contexto completo del evento de alerta, incluyendo la imagen del defecto, la marca de tiempo, el identificador del equipo y las condiciones operativas, para su posterior análisis y trazabilidad. El tiempo de respuesta medio de todo el flujo de alerta, desde la detección hasta la generación de la orden de trabajo, no supera los 30 segundos.

2. Tipos de defectos en el cable de acero y métodos de detección por IA

Durante su vida útil en servicio, el cable de acero del puente grúa está sometido a tensiones alternas, desgaste por fricción, ambientes corrosivos y carga de fatiga, lo que provoca diversos tipos de daños. Según la norma ISO 4309 (equivalente a GB/T 5972-2016) sobre mantenimiento, inspección y criterios de desecho de cables de acero para grúas, es necesario realizar inspecciones periódicas y registrar los distintos defectos. El sistema de inspección por visión con IA debe identificar con precisión los siguientes tipos principales de defectos.

1. Rotura de alambres

La rotura de alambres es el tipo de defecto más común y peligroso en el cable de acero. Según su distribución, se clasifica en roturas dispersas y roturas concentradas. Las roturas dispersas se presentan en diferentes puntos a lo largo del cable y suelen deberse a sobrecarga local o fatiga del alambre; en etapas tempranas, las fracturas son pequeñas y difíciles de detectar a simple vista. Las roturas concentradas se producen cuando varios alambres se fracturan en una misma sección transversal, generalmente por daño mecánico o sobrecarga severa, con bordes de fractura irregulares y dentados. El sistema de detección por IA utiliza un modelo YOLOv8s mejorado, incorporando el módulo de extracción de características C2f con convolución deformable (DCNv4) y mecanismo de atención por coordenadas (Coordinate Attention), lo que permite al modelo centrarse en las diferencias texturales sutiles en las zonas de rotura. En la red de pirámide de características, el modelo fusiona características de alta resolución de capas superficiales con características semánticas profundas, garantizando que los objetivos de rotura de pequeño tamaño no se pierdan durante el submuestreo.

2. Defectos por desgaste

El desgaste se clasifica en uniforme y localizado. El desgaste uniforme se manifiesta como una reducción homogénea del diámetro del cable, con los alambres superficiales aplanados, generalmente causado por fricción prolongada contra poleas y tambores. El desgaste localizado se presenta como una reducción notable del diámetro en tramos específicos o la aparición de ranuras aplanadas en la superficie, a menudo por fricción entre cables o interferencia con elementos estructurales. Para la detección de defectos por desgaste, el modelo de IA combina características de gradiente del contorno del cable con características de textura superficial. En la rama de salida (Head), el modelo incorpora una rama adicional de regresión de diámetro que estima directamente el diámetro del cable en cada región de detección, comparándolo con datos históricos para lograr una medición cuantitativa del desgaste, con un error de medición inferior a 0,3 mm.

3. Defectos por corrosión

Los defectos por corrosión son especialmente relevantes en cables de acero de puentes grúa expuestos a ambientes de alta humedad y corrosión, como los de la industria metalúrgica, química y portuaria. En etapas iniciales, la corrosión se manifiesta como manchas de óxido puntuales en la superficie; a medida que avanza, se convierte en descamación y picaduras, y en casos severos, la sección transversal efectiva del alambre se reduce significativamente. En las imágenes, los defectos por corrosión aparecen como regiones con anomalías cromáticas (tonos rojizos-marrones, negro oscuro) y texturas superficiales irregulares. El modelo de detección por IA emplea una estrategia de fusión multiespectral que combina imágenes RGB con imágenes de infrarrojo cercano (NIR) a nivel de características, aprovechando la alta reflectividad de los productos de corrosión en la banda NIR para mejorar el contraste de detección. Los resultados experimentales muestran que esta estrategia mejora la tasa de recuperación (recall) de defectos por corrosión en un 12,7 %.

4. Defectos por deformación

Los defectos por deformación del cable de acero incluyen deformación ondulada y deformación en linterna. La deformación ondulada se caracteriza por un eje del cable curvado en forma de onda, generalmente causada por una descarga brusca o un enganchamiento, lo que acelera la fractura por fatiga de los alambres durante el funcionamiento posterior. La deformación en linterna se manifiesta como un aumento localizado del diámetro del cable, con los cordones separados en forma de linterna, siendo una manifestación externa de rotura interna de alambres o fallo del alma del cable. Las características visuales de los defectos por deformación son relativamente evidentes, pero su amplia variabilidad morfológica exige una alta capacidad de generalización del modelo. Para mejorar la robustez de la detección de deformaciones, el sistema aplica durante el entrenamiento una amplia gama de aumentos de transformación afín a las muestras de deformación, incluyendo rotación aleatoria (de -45° a 45°), escalado aleatorio (de 0,5 a 1,5 veces) y simulación de deformación elástica, lo que permite al modelo adaptarse adecuadamente a los distintos tipos de deformación.

3. Diseño del sistema de captación de imágenes

El sistema de captación de imágenes constituye el "ojo" de la inspección visual por IA; su calidad de diseño condiciona directamente el rendimiento de los modelos de detección posteriores. El cable de acero del puente grúa opera en un entorno complejo, con múltiples factores de interferencia como luz intensa, suciedad, vibraciones y polvo, lo que impone exigencias muy elevadas al sistema de captación. Este sistema se ha diseñado de forma sistemática desde tres dimensiones: disposición de las cámaras, selección óptica y estrategia de iluminación.

1. Esquema de captación coordinada con tres cámaras

Atendiendo a las características geométricas y al comportamiento dinámico del cable de acero del puente grúa, el sistema adopta un esquema de captación coordinada con tres cámaras que garantiza una cobertura sin puntos ciegos de la longitud total del cable:

2. Selección de cámaras y parámetros ópticos

La selección de las cámaras ha considerado de forma integral parámetros clave como resolución, frecuencia de imagen, tipo de obturación, sensibilidad luminosa y Grado de Protección (IP). La cámara cenital emplea un sensor CMOS de línea con resolución de 8192×1 píxeles y frecuencia de línea de hasta 80kHz, sincronizada mediante encoder para lograr una captación equidistante acorde con la velocidad del cable. Las cámaras lateral e inferior utilizan sensores matriciales de obturación global de 2 megapíxeles, con resolución de 1920×1080 y frecuencia máxima de 200fps. La tecnología de obturación global garantiza que, durante el movimiento a alta velocidad del cable, no se produzcan distorsiones ni desenfoques por movimiento asociados al efecto de obturación de cortina. Todas las cámaras disponen de carcasa industrial con Grado de Protección (IP) IP67, calentador integrado y función antivaho, aptas para un Entorno de Trabajo de -20℃ a 60℃.

3. Iluminación estroboscópica LED y diseño de supresión de interferencias

El cable de acero del puente grúa suele estar recubierto de aceite lubricante y grasa, lo que provoca un fuerte reflejo especular bajo iluminación convencional y degrada seriamente la calidad de imagen. El sistema emplea un esquema de iluminación estroboscópica LED, con pulsos de luz controlados en un rango de 10 a 50 microsegundos, sincronizados con precisión con el tiempo de exposición de la cámara industrial. El modo estroboscópico proporciona una iluminación de alta intensidad en un intervalo muy breve, convirtiendo los destellos especulares en pequeños puntos brillantes en lugar de grandes manchas, y reduciendo significativamente la interferencia de la luz ambiental. Las luminarias se disponen en un anillo alrededor del eje óptico de la lente, garantizando una distribución uniforme de la luz sobre la superficie circunferencial del cable. En cuanto a la temperatura de color, se adopta luz blanca neutra de 5000K a 6000K, que coincide con el pico de respuesta espectral del sensor de la cámara industrial, maximizando así la eficiencia de conversión fotoeléctrica.

4. Entrenamiento del modelo y conjunto de datos

Un conjunto de datos de alta calidad y una estrategia de entrenamiento rigurosa son la base del rendimiento de un modelo de detección por IA. Este sistema establece un flujo de trabajo completo en las tres fases de adquisición de datos, anotación y entrenamiento, lo que garantiza una alta precisión de detección y una buena capacidad de generalización del modelo.

1. Construcción del conjunto de datos

Se han recopilado más de 10.000 imágenes de cables de acero en entornos de producción reales, que abarcan cuatro tipos de defectos —rotura de alambres, desgaste, corrosión y deformación—, así como muestras de cables en estado normal. Todas las imágenes se capturaron en condiciones reales de funcionamiento del puente grúa, incluyendo diferentes condiciones de iluminación (día nublado, día soleado, iluminación artificial nocturna), diferentes estados de operación (parado, velocidad lenta, velocidad nominal) y diferentes condiciones de carga (sin carga, media carga, carga completa). Para aumentar la diversidad de las muestras, el conjunto de datos incluye también imágenes de 5 acerías y puertos distintos, cubriendo cables de acero de diferentes diámetros (de 16 mm a 48 mm) y diferentes estructuras de torcido (6×19, 6×37, 8×19, etc.).

2. Anotación de datos

La anotación se realiza siguiendo el formato del conjunto de datos COCO, donde cada imagen corresponde a un archivo de anotación en formato JSON. El contenido de la anotación incluye la etiqueta de clase del defecto, las coordenadas del cuadro delimitador poligonal y la máscara de segmentación del defecto. El trabajo de anotación lo llevan a cabo ingenieros de control de calidad especialmente formados, y cada anotación es revisada de forma cruzada por expertos senior para garantizar una precisión de anotación no inferior al 98%. Para las muestras controvertidas (como los casos límite entre desgaste leve y textura superficial normal), el criterio de anotación se determina mediante discusión en grupo y comparación con el elemento físico. El conjunto de datos final incluye 11 categorías de objetos, cuya distribución de muestras es la siguiente: rotura local de alambres 1.200 imágenes, rotura concentrada 800 imágenes, desgaste uniforme 1.500 imágenes, desgaste local 1.000 imágenes, corrosión por picaduras 1.200 imágenes, corrosión uniforme 800 imágenes, deformación ondulada 400 imágenes, deformación tipo linterna 300 imágenes, reducción del diámetro del cable 600 imágenes, lubricación deficiente 900 imágenes y muestras normales 1.300 imágenes.

3. Aumento de datos

Para mejorar la capacidad de generalización y la robustez del modelo, el sistema aplica una amplia variedad de estrategias de aumento de datos durante el entrenamiento: (1) Transformaciones geométricas: rotación aleatoria (de -30° a 30°), volteo horizontal, volteo vertical, recorte aleatorio y escalado (de 0,5 a 1,5 veces); (2) Transformaciones de color: ajuste de brillo (±20%), ajuste de contraste (±15%), ajuste de saturación (±10%) y desplazamiento de tono (±5°); (3) Inyección de ruido: ruido gaussiano (σ=5-15) y ruido sal y pimienta (densidad 0,01-0,03); (4) Simulación de desenfoque: desenfoque gaussiano (tamaño de kernel 3-7) y desenfoque de movimiento (simulación del efecto de arrastre del cable de acero en movimiento); (5) Simulación de oclusión: borrado aleatorio (Random Erasing) y CutOut, para simular escenarios de oclusión por suciedad o grasa. Gracias a estas estrategias de aumento, el tamaño efectivo del conjunto de entrenamiento se amplía a más de 20 veces el de los datos originales, lo que mejora significativamente el rendimiento de detección del modelo en condiciones de trabajo complejas.

4. Configuración y proceso de entrenamiento

El entrenamiento del modelo se basa en la arquitectura YOLOv8s, con un tamaño de imagen de entrada uniformemente redimensionado a 640×640 píxeles. Los hiperparámetros de entrenamiento se configuran de la siguiente manera: el optimizador utiliza SGD con momentum (momentum 0,937), con una tasa de aprendizaje inicial de 0,01 y una estrategia de programación de tasa de aprendizaje de recocido por coseno; el coeficiente de decaimiento de peso es 0,0005; el tamaño de lote (batch size) es 32; el número de épocas de entrenamiento es 300; se emplea una estrategia de precalentamiento, donde la tasa de aprendizaje aumenta linealmente desde 0,001 hasta la tasa de aprendizaje inicial durante las primeras 3 épocas. Durante el entrenamiento se utiliza un mecanismo de parada temprana (Early Stopping), que detiene automáticamente el entrenamiento cuando el mAP del conjunto de validación no mejora durante 30 épocas consecutivas. El modelo se entrena en una única GPU NVIDIA RTX 4090 y tarda aproximadamente 24 horas en converger. Finalmente, la pérdida de entrenamiento se reduce a menos de 1,2 y el mAP del conjunto de validación alcanza el indicador de diseño.

5. Rendimiento de detección e integración con el mantenimiento

Tras el despliegue del sistema y su optimización continua, el sistema de detección visual por IA para cables de acero de puentes grúa ha alcanzado los estándares de aplicación industrial en todos los indicadores de rendimiento. Además, el sistema se ha integrado profundamente con el sistema de gestión del mantenimiento de equipos, formando un ciclo de negocio completo de "detección-evaluación-alerta-mantenimiento".

1. Indicadores de rendimiento de detección

Los indicadores de rendimiento de detección del sistema en su conjunto de pruebas propio (2.000 imágenes, independiente del conjunto de entrenamiento y del conjunto de validación) se muestran en la siguiente tabla. Todos los indicadores se midieron en el dispositivo de Computación en el Borde Jetson Orin NX, con una velocidad de inferencia estable superior a 40 FPS, lo que satisface los requisitos de detección en tiempo real para cables de acero de puente grúa que se desplazan a una velocidad de 0,5 m/s.

2. Integración con el sistema de mantenimiento CMMS

El sistema se conecta con el sistema de gestión de mantenimiento computerizado (CMMS) existente en la empresa a través de una API RESTful estándar. Cuando el sistema de detección por IA identifica un defecto en el cable de acero que alcanza el nivel de alerta predefinido, se ejecuta automáticamente el siguiente flujo de integración: (1) se obtienen del CMMS los datos básicos del equipo, el historial de mantenimiento y la información de inventario de repuestos; (2) en función del tipo de defecto y su nivel de gravedad, se consulta la norma GB/T 5972-2016 para vincular automáticamente las recomendaciones de mantenimiento y los criterios de desecho aplicables; (3) se genera una orden de trabajo estandarizada que incluye el número de equipo, la ubicación del defecto (indicada mediante el desplazamiento de longitud del cable), la imagen del defecto, el nivel de gravedad, las medidas correctivas sugeridas y la etiqueta de prioridad; (4) la orden se envía al CMMS y se asigna automáticamente al oficio y al equipo de mantenimiento correspondientes; (5) una vez completada la orden, el personal de mantenimiento registra el resultado y el sistema vuelve a capturar la imagen del cable tratado para incorporarla al ciclo de aprendizaje continuo del modelo. El tiempo medio desde la detección hasta la emisión de la orden de trabajo no supera los 30 segundos, logrando así un circuito cerrado de gestión que va desde la identificación del problema hasta su resolución.

3. Cumplimiento normativo nacional

Los criterios de detección y las estrategias de determinación de desecho del sistema se basan íntegramente en las siguientes normas nacionales: la norma GB/T 5972-2016 «Grúas — Cable de acero — Cuidado, mantenimiento, inspección y desecho» establece los métodos, la frecuencia y los criterios de desecho para la inspección diaria del cable de acero, y constituye la base principal de los criterios de detección del sistema; la norma ISO 4301 / FEM 1.001 «Especificación para el diseño de grúas» proporciona los requisitos de factor de seguridad para la selección y el diseño del cable de acero; la norma TSG Q7016-2016 «Reglas de supervisión de la inspección para la instalación, reforma y revisión general de aparatos de elevación» define los requisitos de cumplimiento para la inspección y detección de los aparatos de elevación. El sistema incorpora un motor de reglas digitalizado para cada norma, que vincula automáticamente los artículos correspondientes al evaluar los resultados de detección, garantizando que las recomendaciones de mantenimiento y los niveles de alerta sean plenamente conformes.

Preguntas frecuentes sobre la detección por visión artificial