Exploración de diversos tipos de datos para aplicaciones de IA de visión

Tecnologías como los drones antes estaban limitadas y solo eran accesibles para investigadores y especialistas, pero hoy en día el hardware de vanguardia es cada vez más accesible para un público más amplio. Este cambio está transformando la forma en que recopilamos datos visuales. Gracias a una tecnología más accesible, ahora podemos capturar imágenes y vídeos de diversas fuentes, más allá de las cámaras tradicionales.

En paralelo, el análisis de imágenes, posible gracias a la visión artificial, una rama de la inteligencia artificial (AI), evoluciona rápidamente y permite a las máquinas interpretar y procesar datos visuales con mayor eficacia. Este avance ha abierto nuevas posibilidades para la automatización, la detección de objetos y el análisis en tiempo real. Las máquinas ahora pueden reconocer patrones, seguir movimientos y comprender entradas visuales complejas.

Algunos tipos clave de datos visuales son las imágenes RGB (rojo, verde y azul), que se utilizan habitualmente para reconocer objetos; las imágenes térmicas, que ayudan a detectar firmas térmicas en condiciones de poca luz; y los datos de profundidad, que permiten a las máquinas comprender entornos 3D. Cada uno de estos tipos de datos desempeña un papel fundamental en diversas aplicaciones de la IA de visión, desde la vigilancia hasta las imágenes médicas.

En este artículo, exploraremos los principales tipos de datos visuales utilizados en la IA de visión y veremos cómo contribuye cada uno a mejorar la precisión, la eficiencia y el rendimiento en diversos sectores. ¡Empecemos!

Los tipos más comunes de conjuntos de datos de imágenes y vídeos para IA#

Normalmente, cuando utilizas un smartphone para hacer una foto o ver imágenes de videovigilancia, estás trabajando con imágenes RGB. RGB hace referencia al rojo, el verde y el azul, los tres canales de color que representan la información visual en las imágenes digitales.

Las imágenes y los vídeos RGB son tipos de datos visuales estrechamente relacionados que se utilizan en visión artificial y que se capturan con cámaras estándar. La diferencia principal es que las imágenes capturan un único momento, mientras que los vídeos son una secuencia de fotogramas que muestra cómo cambian las cosas con el tiempo.

Las imágenes RGB se utilizan generalmente para tareas de visión artificial como la detección de objetos, la segmentación de instancias y la estimación de poses, con el respaldo de modelos como Ultralytics YOLO11. Estas aplicaciones dependen de la identificación de patrones, formas o características específicas en un solo fotograma.

Los vídeos, en cambio, son esenciales cuando el movimiento o el tiempo son factores relevantes, por ejemplo, para reconocer gestos, realizar tareas de vigilancia o seguir acciones. Como los vídeos pueden considerarse una serie de imágenes, los modelos de visión artificial como Ultralytics YOLO11 los procesan fotograma a fotograma para comprender el movimiento y el comportamiento a lo largo del tiempo.

Por ejemplo, Ultralytics YOLO11 puede utilizarse para analizar imágenes o vídeos RGB con el fin de detectar malas hierbas y contar plantas en campos agrícolas. Esto mejora la supervisión de los cultivos y ayuda a realizar un seguimiento de los cambios a lo largo de los ciclos de crecimiento para gestionar las explotaciones agrícolas de forma más eficiente.

Fig. 1. YOLO11 puede detectar y contar plantas para supervisar los cultivos de forma más inteligente.

Datos de profundidad en la IA de visión: LiDAR y percepción 3D#

Los datos de profundidad añaden una tercera dimensión a la información visual al indicar a qué distancia están los objetos de la cámara o el sensor. A diferencia de las imágenes RGB, que solo capturan el color y la textura, los datos de profundidad proporcionan contexto espacial. Muestran la distancia entre los objetos y la cámara, lo que permite interpretar la disposición 3D de una escena.

Este tipo de datos se captura mediante tecnologías como LiDAR, la visión estereoscópica (que utiliza dos cámaras para imitar la percepción humana de la profundidad) y las cámaras de tiempo de vuelo (que miden el tiempo que tarda la luz en llegar a un objeto y regresar).

De todas ellas, LiDAR (detección y medición de distancias mediante luz) suele ser la tecnología más fiable para medir la profundidad. Funciona emitiendo pulsos láser rápidos y midiendo cuánto tardan en rebotar. El resultado es un mapa 3D muy preciso, conocido como nube de puntos, que muestra la forma, la posición y la distancia de los objetos en tiempo real.

El papel cada vez más importante de LiDAR en los sistemas de IA de visión#

La tecnología LiDAR puede dividirse en dos tipos principales, cada uno diseñado para aplicaciones y entornos específicos. Veamos ambos tipos con más detalle:

• LiDAR aéreo: normalmente utilizado para cartografiar grandes áreas, los escáneres LiDAR aéreos se montan en drones o aeronaves para capturar datos de alta resolución destinados a la cartografía topográfica a gran escala. Es ideal para estudiar terrenos, bosques y paisajes.
• LiDAR terrestre: este tipo de datos LiDAR se recopila mediante sensores montados en vehículos o plataformas estacionarias para aplicaciones como la supervisión de infraestructuras, la construcción y la cartografía de interiores. Proporciona datos muy detallados de áreas más pequeñas y localizadas, por lo que resulta útil para tareas como la planificación urbana y el estudio de estructuras concretas.

Una aplicación especialmente importante de los datos LiDAR se encuentra en los vehículos autónomos, donde desempeñan un papel clave en tareas como la detección de carriles, la prevención de colisiones y la identificación de objetos cercanos. LiDAR genera mapas 3D detallados del entorno en tiempo real, lo que permite al vehículo ver los objetos, calcular su distancia y desplazarse de forma segura.

Fig. 2. La tecnología LiDAR permite a los vehículos autónomos cartografiar la profundidad y detectar objetos.

Uso de datos térmicos e infrarrojos en aplicaciones de IA#

Las imágenes RGB capturan lo que vemos en el espectro de luz visible; sin embargo, otras tecnologías de imagen, como las imágenes térmicas e infrarrojas, van más allá. Las imágenes infrarrojas capturan la luz infrarroja que emiten o reflejan los objetos, por lo que resultan útiles en condiciones de poca luz.

En cambio, las imágenes térmicas detectan el calor emitido por los objetos y muestran las diferencias de temperatura, lo que les permite funcionar en completa oscuridad o a través de humo, niebla y otras obstrucciones. Este tipo de datos resulta especialmente útil para supervisar y detectar problemas, sobre todo en sectores donde los cambios de temperatura pueden indicar posibles fallos.

Un ejemplo interesante es el uso de imágenes térmicas para supervisar componentes eléctricos en busca de signos de sobrecalentamiento. Al detectar diferencias de temperatura, las cámaras térmicas pueden identificar problemas antes de que provoquen fallos en los equipos, incendios o daños costosos.

Fig. 3. Ejemplo del uso de imágenes térmicas para supervisar componentes eléctricos.

Del mismo modo, las imágenes infrarrojas pueden ayudar a detectar fugas en tuberías o aislamientos al identificar diferencias de temperatura que indican la salida de gases o fluidos, algo crucial para prevenir situaciones peligrosas y mejorar la eficiencia energética.

Imágenes multiespectrales e hiperespectrales en IA#

Mientras que las imágenes infrarrojas y térmicas capturan aspectos concretos del espectro electromagnético, las imágenes multiespectrales recopilan luz de varios rangos de longitudes de onda seleccionados, cada uno de ellos escogido para un fin específico, como detectar vegetación sana o identificar materiales de superficie.

Las imágenes hiperespectrales van un paso más allá al capturar luz en cientos de rangos de longitudes de onda muy estrechos y continuos. Esto proporciona una firma lumínica detallada para cada píxel de la imagen y ofrece una comprensión mucho más profunda de cualquier material observado.

Fig. 4. Comparación de imágenes multiespectrales e hiperespectrales.

Tanto las imágenes multiespectrales como las hiperespectrales utilizan sensores y filtros especiales para capturar luz en distintas longitudes de onda. A continuación, los datos se organizan en una estructura 3D denominada cubo espectral, en la que cada capa representa una longitud de onda diferente.

Los modelos de IA pueden analizar estos datos para detectar características que las cámaras convencionales o el ojo humano no pueden ver. Por ejemplo, en el fenotipado vegetal, las imágenes hiperespectrales pueden utilizarse para supervisar la salud y el crecimiento de las plantas mediante la detección de cambios sutiles en sus hojas o tallos, como deficiencias de nutrientes o estrés. Esto ayuda a los investigadores a evaluar la salud de las plantas y optimizar las prácticas agrícolas sin necesidad de métodos invasivos.

Análisis de imágenes de radar y sonar mediante IA#

Las imágenes de radar y sonar son tecnologías que detectan y cartografían objetos mediante la emisión de señales y el análisis de sus reflejos, de forma similar a LiDAR. A diferencia de las imágenes RGB, que dependen de las ondas de luz para capturar información visual, el radar utiliza ondas electromagnéticas, normalmente ondas de radio, mientras que el sonar utiliza ondas sonoras. Ambos sistemas emiten pulsos y miden el tiempo que tarda la señal en rebotar en un objeto, proporcionando información sobre su distancia, tamaño y velocidad.

Las imágenes de radar son especialmente útiles cuando la visibilidad es reducida, por ejemplo, con niebla, lluvia o de noche. Como no dependen de la luz, pueden detectar aeronaves, vehículos o terrenos en completa oscuridad. Esto convierte al radar en una opción fiable para la aviación, la supervisión meteorológica y la navegación autónoma.

En comparación, las imágenes de sonar se utilizan habitualmente en entornos subacuáticos, donde la luz no puede llegar. Utilizan ondas sonoras que se desplazan por el agua y rebotan en objetos sumergidos, lo que permite detectar submarinos, cartografiar los fondos oceánicos y llevar a cabo misiones de rescate subacuáticas. Los avances en visión artificial ahora permiten mejorar aún más la detección subacuática al combinar datos de sonar con análisis inteligente para optimizar la detección y la toma de decisiones.

Fig. 5. Cómo utiliza un sistema SONAR pulsos ultrasónicos para medir la profundidad del mar. (Fuente: bbc.co.uk)

Datos visuales sintéticos y simulados para entrenar modelos de IA#

Hasta ahora, los distintos tipos de datos que hemos tratado eran datos que podían recopilarse del mundo real. Sin embargo, los datos visuales sintéticos y simulados son tipos de contenido artificial. Los datos sintéticos se generan desde cero mediante modelado 3D o IA generativa para producir imágenes o vídeos de aspecto realista.

Fig. 6. Imágenes generadas sintéticamente.

Los datos simulados son similares, pero implican crear entornos virtuales que reproducen el comportamiento del mundo físico, incluidos el reflejo de la luz, la formación de sombras y el movimiento de los objetos. Aunque todos los datos visuales simulados son sintéticos, no todos los datos sintéticos son simulados. La diferencia principal es que los datos simulados reproducen un comportamiento realista, no solo su apariencia.

Estos tipos de datos resultan útiles para entrenar modelos de visión artificial, especialmente cuando es difícil recopilar datos del mundo real o cuando es necesario simular situaciones específicas y poco frecuentes. Los desarrolladores pueden crear escenas completas, elegir tipos de objetos, posiciones e iluminación, y añadir automáticamente etiquetas como BBox para el entrenamiento. Esto ayuda a crear rápidamente conjuntos de datos grandes y diversos, sin necesidad de fotografías reales ni etiquetado manual, que pueden resultar costosos y llevar mucho tiempo.

Por ejemplo, en el ámbito sanitario, los datos sintéticos pueden utilizarse para entrenar modelos que segmenten células de cáncer de mama, ya que resulta difícil recopilar y etiquetar grandes conjuntos de datos de imágenes reales. Los datos sintéticos y simulados ofrecen flexibilidad y control, y cubren las carencias allí donde los datos visuales del mundo real son limitados.

Cómo elegir el tipo adecuado de datos visuales para tu aplicación de IA#

Ahora que hemos visto cómo funcionan los distintos tipos de datos visuales y qué pueden hacer, analicemos con más detalle qué tipos de datos son más adecuados para tareas específicas:

• Imágenes RGB: son perfectas para tareas generales de visión artificial como la clasificación de imágenes y la detección de objetos. Capturan el color y la textura, pero tienen limitaciones en condiciones difíciles, como poca luz o visibilidad reducida.
• Imágenes LiDAR: ofrecen una cartografía 3D de alta precisión mediante pulsos láser. Son ideales para aplicaciones que requieren mediciones exactas de distancia, como la robótica, los vehículos autónomos y la inspección de infraestructuras.
• Imágenes térmicas: como pueden detectar diferencias de temperatura, resultan útiles en condiciones de visibilidad reducida, como la supervisión nocturna, la extinción de incendios o la detección de fugas de calor en maquinaria y edificios.
• Imágenes multiespectrales e hiperespectrales: son útiles para tareas que requieren un análisis detallado de materiales, como la supervisión agrícola, el control de calidad farmacéutico o la teledetección. Estos métodos proporcionan información más profunda al capturar datos en un amplio rango de longitudes de onda más allá de la luz visible.
• Imágenes de radar y sonar: se prefieren en entornos con visibilidad reducida. El radar utiliza ondas de radio y resulta útil en aviación y navegación, mientras que el sonar utiliza ondas sonoras para realizar detecciones subacuáticas.
• Datos visuales sintéticos y simulados: son ideales para entrenar modelos de IA cuando los datos del mundo real son limitados, no están disponibles o son difíciles de etiquetar. Estas imágenes artificiales ayudan a crear conjuntos de datos diversos para situaciones complejas, como eventos poco frecuentes o condiciones críticas para la seguridad.

A veces, un único tipo de datos no proporciona suficiente precisión o contexto en situaciones del mundo real. Es aquí donde la fusión multimodal de sensores se vuelve esencial. Al combinar RGB con otros tipos de datos, como los térmicos, de profundidad o LiDAR, los sistemas pueden superar las limitaciones individuales y mejorar su fiabilidad y adaptabilidad.

Por ejemplo, en la automatización de almacenes, utilizar RGB para reconocer objetos, datos de profundidad para medir distancias y datos térmicos para detectar equipos sobrecalentados hace que las operaciones sean más eficientes y seguras. En última instancia, los mejores resultados se obtienen seleccionando o combinando tipos de datos según las necesidades específicas de tu aplicación.

Conclusiones clave#

Al crear modelos de IA de visión, es crucial elegir el tipo adecuado de datos visuales. Las tareas como la detección de objetos, la segmentación y el seguimiento del movimiento no dependen únicamente de los algoritmos, sino también de la calidad de los datos de entrada. Los conjuntos de datos limpios, diversos y precisos ayudan a reducir el ruido y mejorar el rendimiento.

Al combinar tipos de datos como RGB, profundidad, datos térmicos y LiDAR, los sistemas de IA obtienen una visión más completa del entorno, lo que los hace más fiables en diversas condiciones. A medida que la tecnología siga mejorando, probablemente allanará el camino para que la IA de visión sea más rápida, adaptable y útil en distintos sectores.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre visión artificial. Descubre diversas aplicaciones relacionadas con la IA en la atención sanitaria y la visión artificial en el comercio minorista en nuestras páginas de soluciones. Consulta nuestras opciones de licencia para empezar a utilizar la IA de visión.