{"id":30864535,"date":"2021-03-05T10:23:23","date_gmt":"2021-03-05T09:23:23","guid":{"rendered":"https:\/\/www.upo.es\/diario\/?p=30864535"},"modified":"2021-03-17T11:55:57","modified_gmt":"2021-03-17T10:55:57","slug":"un-grupo-de-investigacion-de-la-upo-disena-un-software-para-el-reconocimiento-automatico-de-desperfectos-en-pista-aeroportuarias","status":"publish","type":"post","link":"https:\/\/www.upo.es\/diario\/ciencia\/2021\/03\/un-grupo-de-investigacion-de-la-upo-disena-un-software-para-el-reconocimiento-automatico-de-desperfectos-en-pista-aeroportuarias\/","title":{"rendered":"Un grupo de investigaci\u00f3n de la UPO dise\u00f1a un software para el reconocimiento autom\u00e1tico de desperfectos en pista aeroportuarias"},"content":{"rendered":"
\"\"<\/a>
De izquierda a derecha y empezando por la fila superior, Manuel J. Jim\u00e9nez, David Blanco, Sergio Ruiz, Alicia Troncoso, Antonio J. Cabrera\u00a0 y Francisco Mart\u00ednez<\/figcaption><\/figure>\n

El grupo de investigaci\u00f3n Data Science & Big Data Lab<\/strong> de la Universidad Pablo de Olavide est\u00e1 dise\u00f1ando un software que permite reconocer de manera autom\u00e1tica desperfectos en pistas de aeropuertos. Esta herramienta ser\u00e1 empleada en una soluci\u00f3n integral denominada \u2018Airport Pavement Inspection by Aerial Robotic System\u2019, propiedad de Soologic Technological Solutions S.L, empresa con una dilatada experiencia en este sector.<\/p>\n

El dise\u00f1o de este sistema de detecci\u00f3n y clasificaci\u00f3n de desperfectos de pavimentos aeroportuarios hace uso de un robot a\u00e9reo espec\u00edficamente dise\u00f1ado para esta tarea, equipado con una c\u00e1mara de alta resoluci\u00f3n, sistemas de vuelos autom\u00e1ticos y un sistema de iluminaci\u00f3n artificial para vuelos nocturnos. Este dron ha sido dise\u00f1ado, desarrollado y construido por la empresa Flying Robotic Solutions S.L.<\/p>\n

\u00abEl robot a\u00e9reo 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 avi\u00f3n. Posteriormente, las im\u00e1genes son procesadas mediante un m\u00f3dulo que tiene incorporado inteligencia artificial y que es capaz de detectar qu\u00e9 zonas tienen, en efecto, alg\u00fan tipo de desperfecto\u00bb, explica Francisco Mart\u00ednez \u00c1lvarez<\/strong>, profesor de la Escuela Polit\u00e9cnica Superior de la UPO e investigador principal del proyecto.<\/p>\n

Las t\u00e9cnicas fundamentales que se utilizan en este m\u00f3dulo son aprendizaje profundo (deep learning<\/em><\/strong>) y transferencia de conocimiento (transfer learning<\/em><\/strong>). El algoritmo de deep learning<\/em> es capaz de aprender de otras im\u00e1genes previamente clasificadas, de modo que, tras recibir una nueva imagen, es capaz de determinar con gran precisi\u00f3n a qu\u00e9 tipo de desperfecto se parece m\u00e1s. Adem\u00e1s, como el tiempo de vuelo dentro de un aeropuerto est\u00e1 limitado debido al gran tr\u00e1fico existente, en muchas ocasiones no se disponen de suficientes im\u00e1genes para poder aprender, por lo que este grupo de investigaci\u00f3n ha optado por incorporar otras fuentes de im\u00e1genes para alimentar al sistema y permitirle aprender por otras v\u00edas: es lo que se conoce como transfer learning<\/em>.<\/p>\n

La posibilidad de realizar los vuelos de reconocimiento en cualquier momento del d\u00eda o de la noche, sin necesidad de que un operario recorra las pistas, evitando as\u00ed los problemas de seguridad asociados a este tipo de inspecciones, es uno de los principales beneficios del uso de estas t\u00e9cnicas, as\u00ed como el poder disponer de un sistema capaz de clasificar con una precisi\u00f3n muy alta y que, adem\u00e1s, permita ir mejorando su rendimiento conforme se van tomando m\u00e1s im\u00e1genes.<\/p>\n

Adem\u00e1s, otra ventaja indiscutible de este proyecto es la informatizaci\u00f3n que todo el proceso lleva aparejado ya que, como resultado final, se visualiza la pista de aterrizaje bajo estudio con las zonas que requieren atenci\u00f3n marcadas.<\/p>\n

El grupo de investigaci\u00f3n Data Science & Big Data Lab tiene una amplia experiencia en proyectos y publicaciones relacionadas con machine learning<\/em>. Adem\u00e1s del citado investigador principal, participan en este proyecto Alicia Troncoso Lora<\/strong>, Federico Divina<\/strong>, Miguel Garc\u00eda Torres<\/strong>, Gualberto Asencio Cort\u00e9s<\/strong>, David Guti\u00e9rrez Avil\u00e9s<\/strong>, Jos\u00e9 F. Torres Maldonado<\/strong>, Manuel Jes\u00fas Jim\u00e9nez Navarro<\/strong> y Laura Melgar Garc\u00eda<\/strong>.<\/p>\n

El contrato entre la UPO y Soologic Technological Solutions S.L se ha firmado al amparo del art\u00edculo 83 de la Ley Org\u00e1nica de Universidades (LOU) bajo la gesti\u00f3n de la Oficina de Transferencia de Resultados de Investigaci\u00f3n (OTRI) de la Universidad Pablo de Olavide, que faculta a los grupos de Investigaci\u00f3n reconocidos por la universidad, a los Departamentos, y a su profesorado a celebrar contratos con personas, universidades o entidades p\u00fablicas y privadas para la realizaci\u00f3n de trabajos de car\u00e1cter cient\u00edfico, t\u00e9cnico o art\u00edstico, as\u00ed como para el desarrollo de ense\u00f1anzas de especializaci\u00f3n o actividades espec\u00edficas de formaci\u00f3n.<\/p>\n

> Press Release in English<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

El grupo de investigaci\u00f3n Data Science & Big Data Lab de la Universidad Pablo de Olavide est\u00e1 dise\u00f1ando un software que permite reconocer de manera autom\u00e1tica desperfectos en pistas de aeropuertos. Esta herramienta ser\u00e1 empleada en una soluci\u00f3n integral denominada \u2018Airport Pavement Inspection by Aerial Robotic System\u2019, propiedad de Soologic Technological Solutions S.L, empresa con una dilatada experiencia en este sector.<\/p>\n","protected":false},"author":2,"featured_media":30864609,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[3],"tags":[7290,7289,7294,7292,6753,7291,7293,7295],"class_list":["post-30864535","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia","tag-aeropuerto","tag-data-science-big-data-lab","tag-deep-learning","tag-desperfecto","tag-machine-learning","tag-pavimento","tag-robot-aereo","tag-transfer-learning"],"_links":{"self":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30864535","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/comments?post=30864535"}],"version-history":[{"count":5,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30864535\/revisions"}],"predecessor-version":[{"id":30864624,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/posts\/30864535\/revisions\/30864624"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/media\/30864609"}],"wp:attachment":[{"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/media?parent=30864535"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/categories?post=30864535"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.upo.es\/diario\/wp-json\/wp\/v2\/tags?post=30864535"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}