El grupo de investigación Data Science & Big Data Lab de la Universidad Pablo de Olavide está diseñando un software que permite reconocer de manera automática desperfectos en pistas de aeropuertos. Esta herramienta será empleada en una solución integral denominada ‘Airport Pavement Inspection by Aerial Robotic System’, propiedad de Soologic Technological Solutions S.L, empresa con una dilatada experiencia en este sector.
El diseño de este sistema de detección y clasificación de desperfectos de pavimentos aeroportuarios hace uso de un robot aéreo específicamente diseñado para esta tarea, equipado con una cámara de alta resolución, sistemas de vuelos automáticos y un sistema de iluminación artificial para vuelos nocturnos. Este dron ha sido diseñado, desarrollado y construido por la empresa Flying Robotic Solutions S.L.
«El robot aéreo realiza vuelos por las zonas en las que un desperfecto puede conllevar problemas de seguridad, tanto en el despegue como en el aterrizaje de un avión. Posteriormente, las imágenes son procesadas mediante un módulo que tiene incorporado inteligencia artificial y que es capaz de detectar qué zonas tienen, en efecto, algún tipo de desperfecto», explica Francisco Martínez Álvarez, profesor de la Escuela Politécnica Superior de la UPO e investigador principal del proyecto.
Las técnicas fundamentales que se utilizan en este módulo son aprendizaje profundo (deep learning) y transferencia de conocimiento (transfer learning). El algoritmo de deep learning es capaz de aprender de otras imágenes previamente clasificadas, de modo que, tras recibir una nueva imagen, es capaz de determinar con gran precisión a qué tipo de desperfecto se parece más. Además, como el tiempo de vuelo dentro de un aeropuerto está limitado debido al gran tráfico existente, en muchas ocasiones no se disponen de suficientes imágenes para poder aprender, por lo que este grupo de investigación ha optado por incorporar otras fuentes de imágenes para alimentar al sistema y permitirle aprender por otras vías: es lo que se conoce como transfer learning.
La posibilidad de realizar los vuelos de reconocimiento en cualquier momento del día o de la noche, sin necesidad de que un operario recorra las pistas, evitando así los problemas de seguridad asociados a este tipo de inspecciones, es uno de los principales beneficios del uso de estas técnicas, así como el poder disponer de un sistema capaz de clasificar con una precisión muy alta y que, además, permita ir mejorando su rendimiento conforme se van tomando más imágenes.
Además, otra ventaja indiscutible de este proyecto es la informatización que todo el proceso lleva aparejado ya que, como resultado final, se visualiza la pista de aterrizaje bajo estudio con las zonas que requieren atención marcadas.
El grupo de investigación Data Science & Big Data Lab tiene una amplia experiencia en proyectos y publicaciones relacionadas con machine learning. Además del citado investigador principal, participan en este proyecto Alicia Troncoso Lora, Federico Divina, Miguel García Torres, Gualberto Asencio Cortés, David Gutiérrez Avilés, José F. Torres Maldonado, Manuel Jesús Jiménez Navarro y Laura Melgar García.
El contrato entre la UPO y Soologic Technological Solutions S.L se ha firmado al amparo del artículo 83 de la Ley Orgánica de Universidades (LOU) bajo la gestión de la Oficina de Transferencia de Resultados de Investigación (OTRI) de la Universidad Pablo de Olavide, que faculta a los grupos de Investigación reconocidos por la universidad, a los Departamentos, y a su profesorado a celebrar contratos con personas, universidades o entidades públicas y privadas para la realización de trabajos de carácter científico, técnico o artístico, así como para el desarrollo de enseñanzas de especialización o actividades específicas de formación.
