IA de visión para puente grúa gana concurso de detección de defectos
El equipo de visión IA para puentes grúa logra resultados sobresalientes en una competición internacional de detección de defectos industriales. El rendimiento del algoritmo de inspección visual por IA determina directamente la precisión de reconocimiento y la viabilidad técnica de los sistemas inteligentes de detección para puentes grúa.
El rendimiento del algoritmo de inspección visual por IA determina directamente la precisión de reconocimiento y la viabilidad técnica de los sistemas inteligentes de detección para puentes grúa. El equipo de visión IA para puentes grúa participó recientemente en la competición internacional CrackDetection Challenge 2026 de detección de defectos industriales, obteniendo el tercer y quinto puesto en la clasificación general en las dos categorías de detección de rotura de alambres del cable y detección de grietas en cordones de soldadura, respectivamente. En la tarea de detección de rotura de alambres del cable, la precisión de detección mAP alcanzó el 94,7 %. El modelo mejorado YOLOv8, desarrollado de forma independiente por el equipo y basado en la convolución deformable DCNv4 y el mecanismo de atención de coordenadas Coordinate Attention, ha sido incluido por la organización de la competición como uno de los modelos de referencia.
Resultados del equipo en la competición internacional
La CrackDetection Challenge 2026, organizada conjuntamente por la Sociedad de Electrónica Industrial de la IEEE y la Universidad Técnica de Múnich, reunió a 157 equipos de 28 países, incluyendo grupos de investigación universitarios y departamentos de I+D de empresas de inspección industrial. La competición se estructuró en cuatro categorías —detección de rotura de alambres del cable, detección de grietas en cordones de soldadura, detección de fisuras en pavimentos de carreteras y detección de microgrietas en palas de motores de aviación—, todas ellas evaluadas bajo un marco de evaluación unificado. El equipo participó en las dos categorías directamente vinculadas a su actividad en visión IA para puentes grúa: detección de rotura de alambres del cable y detección de grietas en cordones de soldadura.
El conjunto de entrenamiento de la categoría de detección de rotura de alambres del cable contenía 8000 imágenes anotadas que cubren tres tipos de defectos: rotura de alambre localizada, rotura de alambre concentrada y deformación del diámetro del cable. El conjunto de prueba incluía 2000 imágenes sin anotar. El modelo presentado por el equipo obtuvo una puntuación global de 86,7 en esta categoría, situándose en tercer lugar —con una precisión de detección mAP del 94,7 % (tercer puesto), una velocidad de inferencia de 38,2 ms por imagen (quinto puesto) y 7,3 M de parámetros del modelo (segundo puesto). En la categoría de detección de grietas en cordones de soldadura, el modelo alcanzó una puntuación global de 82,3, ocupando el quinto lugar. Ambos resultados constituyen la mejor actuación de un equipo del sector de grúas industriales en China.
Innovaciones técnicas del modelo mejorado
El modelo utilizado en la competición, basado en la arquitectura YOLOv8s, incorpora mejoras en tres tecnologías clave: la sustitución de la convolución estándar por la convolución deformable DCNv4 permite que los puntos de muestreo del núcleo de convolución se adapten de forma dinámica a la forma de los defectos en el mapa de características de entrada, elevando la tasa de recuperación de roturas de alambre de pequeño tamaño del 83,5 % al 91,2 % en la tarea de detección de rotura de alambres del cable. El mecanismo de atención de coordenadas introduce codificación de información posicional en cada nivel de la red de pirámide de características, lo que permite al modelo localizar con precisión la posición espacial de los defectos. El diseño ligero, mediante convoluciones separables en profundidad y poda de canales, reduce el número de parámetros del modelo de los 11,2 M originales a 7,3 M, una reducción aproximada del 35 %.
Transferencia de los resultados a la práctica de ingeniería
Las mejoras algorítmicas validadas en la competición ya están siendo transferidas a la línea de productos de inspección visual por IA para puentes grúa. El módulo DCNv4 se ha integrado en el modelo de producto del sistema de detección en línea de cables de acero, donde, tras las pruebas correspondientes, ha elevado el mAP global de 0,91 a 0,94 sin comprometer la velocidad de inferencia en tiempo real. El mecanismo de atención de coordenadas se ha incorporado al modelo de inspección por IA de cordones de soldadura, mejorando la precisión de detección de defectos de tipo grieta en 4,3 puntos porcentuales. La técnica de poda ligera se ha aplicado al despliegue del modelo en el dispositivo de borde Jetson Orin NX, reduciendo la velocidad de inferencia de 18 ms/imagen a 12 ms/imagen, manteniendo al mismo tiempo más del 98 % de la precisión original.
Capacidad de innovación continua del equipo de algoritmos
El equipo de algoritmos de visión IA para puentes grúa cuenta actualmente con 22 ingenieros de algoritmos a tiempo completo: 4 doctores, 12 másteres y 6 graduados. Los miembros del equipo provienen de formaciones académicas en visión por computadora y aprendizaje profundo, con experiencia que abarca tres áreas: detección de objetos, segmentación de imágenes y diseño ligero de modelos. El equipo ha establecido un proceso estandarizado de iteración algorítmica: cada trimestre se realiza una revisión de la arquitectura de los modelos y, basándose en las tendencias técnicas validadas en competiciones y en los nuevos hallazgos publicados, se determinan las líneas de mejora para el siguiente trimestre. Los registros de entrenamiento de modelos y los datos experimentales de estudios de ablación acumulados en los últimos años se han convertido en un activo de conocimiento del equipo, permitiendo a los nuevos miembros reproducir rápidamente los resultados existentes y ampliar las líneas de investigación.
Preguntas frecuentes (FAQ)
P: ¿El modelo utilizado en la competición es el mismo que se emplea en los productos de detección para puentes grúa?
R: No es el mismo, pero comparten el mismo origen técnico. El modelo de competición utiliza una mayor resolución de entrada y estrategias de entrenamiento más complejas para alcanzar la máxima precisión posible. El modelo de producto, por su parte, elimina los componentes que penalizan el rendimiento en tiempo real y se adapta mediante cuantización TensorRT FP16 y optimización para la plataforma Jetson. El modelo de competición valida el límite teórico de precisión del algoritmo, mientras que el modelo de producto logra el equilibrio óptimo entre precisión y velocidad. El mAP del modelo de producto actual se sitúa aproximadamente entre el 95 % y el 98 % del alcanzado por el modelo de competición.
P: ¿El equipo tiene previsto participar en más competiciones internacionales en el futuro?
R: Sí, el plan es participar en 1 o 2 competiciones internacionales relacionadas con la visión IA para puentes grúa cada año. Para el segundo semestre de 2026, el equipo ya está inscrito en la competición de detección de anomalías visuales industriales MVTec AD 2026, organizada por la Asociación Internacional de Reconocimiento de Patrones (IAPR). El objetivo principal de participar en estas competiciones no es la clasificación, sino contrastar el nivel real de los algoritmos mediante comparación horizontal con los mejores equipos del mundo e identificar las debilidades técnicas propias.
P: ¿Los resultados técnicos del equipo se publican en artículos científicos?
R: Sí. En los últimos dos años se han publicado un total de 5 artículos en revistas académicas y congresos del ámbito de la inspección industrial. Los artículos están orientados a la tecnología aplicada y ponen el énfasis en el valor de la práctica de ingeniería. Los detalles técnicos completos del esquema mejorado DCNv4 + Coordinate Attention validado en la competición están previstos para su envío a IEEE Transactions on Industrial Informatics.
P: ¿Cuáles son los principales desafíos técnicos actuales en la detección de defectos industriales y cómo afectan a la inspección de puentes grúa?
R: La detección de defectos industriales presenta tres desafíos comunes: la detección de defectos de pequeño tamaño —las grietas con un ancho de solo 0,05~0,3 mm ocupan apenas unos pocos píxeles en la imagen—; la alta similitud entre clases —la porosidad y la inclusión de escoria son visualmente muy parecidas, y las texturas de corrosión y manchas de aceite también se confunden fácilmente—; y la escasez de datos anotados, ya que la obtención de datos de defectos industriales es costosa y el desequilibrio entre muestras positivas y negativas es extremo. Estos desafíos también están presentes en la inspección de cables de acero del puente grúa y en la inspección de soldadura.
