A partir de cientos de imágenes aéreas captadas con drones sobre la zona industrial de Sana Fé de Bogotá, un modelo de inteligencia artificial entrenado por físicos de la Universidad Nacional de Colombia (UNAL) identificó y clasificó automáticamente y con alta precisión cerca de quince mil baches de las calles de la capital colombiana. El sistema, basado en una herramienta de visión computacional que analiza toda la imagen de inmediato y en tiempo real, inspecciona barrios completos en apenas horas y proyecta una reducción significativa en los tiempos y costos del mantenimiento vial de la capital
Datos de la Unidad de Mantenimiento Vial de Bogotá muestran que la ciudad cuenta con más de 14.587 km de malla vial, cuya reparación total requeriría cerca de 11 billones de pesos. Hasta ahora detectar los huecos que deterioran estas vías depende de “patrullas” de mantenimiento que recorren las calles a pie o en vehículos midiendo y registrando manualmente cada imperfección, un proceso lento, costoso y poco eficiente en una urbe en donde ya se han identificado más de 25.000 baches, más los nuevos que aparecen cada día.
El profesor Herbert Vinck Posada, de la Facultad de Ciencias de la UNAL, afirma que “esta nueva tecnología permite examinar barrios enteros en tiempo real, priorizando las calles que necesitan reparación urgente y las que pueden esperar, por lo que además es una forma de optimizar el uso de los recursos públicos”.
A través del aprendizaje automático –una rama de la inteligencia artificial que permite entrenar modelos computacionales para reconocer patrones y realizar predicciones a partir de grandes volúmenes de datos–, el sistema propuesto aprende por sí mismo a distinguir las características de los huecos en el pavimento.
La investigación se centró en las redes neuronales convolucionales, una técnica inspirada en la corteza visual humana, capaz de analizar información como si se tratara de una imagen. En otras palabras, funciona como un “cerebro” artificial compuesto por múltiples capas que procesan fotografías: las primeras detectan bordes o texturas, y las más profundas reconocen formas más complejas, como la silueta irregular y la profundidad de un bache.
Para lograrlo, el equipo implementó el algoritmo YOLO (You Only Look Once), diseñado para detectar objetos en tiempo real, cuyas principales ventajas son la velocidad y la precisión.
A diferencia de otros métodos que analizan la imagen por fragmentos, YOLO lo hace en una sola pasada, es decir que identifica y localiza los huecos de inmediato, marcándolos con recuadros visibles. Además, por ser un algoritmo de código abierto, su acceso es gratuito y ha sido perfeccionado por una comunidad internacional de investigadores, lo que facilita su implementación y adaptación a distintos contextos urbanos.
Drones les enseñan a las máquinas a “ver”
El primer paso para crear este sistema, y uno de los más cruciales, fue entrenar el modelo de inteligencia artificial. Para ello, el equipo recopiló cientos de imágenes aéreas de las calles de la zona industrial de Bogotá, captadas en sectores donde el deterioro del pavimento es más evidente.
Los drones se programaron para sobrevolar sistemáticamente grandes extensiones urbanas, registrando desde el aire cada detalle del asfalto en cuestión de horas. Luego el algoritmo YOLO procesó esas imágenes en un ejercicio de aprendizaje continuo: el sistema compara, calcula y ajusta internamente millones de parámetros —como forma y profundidad— para diferenciar el pavimento intacto de los huecos reales.
Con cada iteración el modelo mejora su precisión y su capacidad de reconocer incluso daños pequeños o parcialmente cubiertos.
Después de entrenarlo, la red lo prueba con imágenes nunca vistas que el algoritmo analiza en tiempo real para identificar y marcar automáticamente la ubicación exacta de cada hueco, quedando lista para aplicarse a escala urbana.
Mantenimiento vial proactivo
La investigación demostró que esta metodología es una solución práctica con beneficios cuantificables que se pueden resumir en: una mayor velocidad, eficiencia y capacidad de planificación.
“El beneficio más inmediato es la optimización radical de recursos públicos. Al automatizar la detección con drones y el algoritmo YOLO, el mismo trabajo se realiza en una fracción del tiempo; por ejemplo, un dron puede cubrir una localidad entera en un par de días, capturando datos constante y objetivamente, liberando personal y recursos”, destaca el investigador Nicolás Parra Ávila, estudiante del Doctorado en Física.
Aunque aún no se han publicado cifras exactas del ahorro que representaría el sistema, sí está claro que, una vez implementado con una entidad gubernamental, será posible comparar directamente los costos y tiempos del método convencional frente al modelo automatizado, midiendo beneficios en términos de dinero ahorrado, velocidad de detección y mejora en la calidad de la infraestructura.
