9 de mayo de 2025
Descubra cómo los tipos de datos visuales como las imágenes térmicas, LiDAR e infrarrojas permiten diversas aplicaciones de visión por ordenador en todos los sectores.
Tecnologías como los drones solían ser limitadas y sólo accesibles a investigadores y especialistas, pero hoy en día el hardware de vanguardia es cada vez más accesible a un público más amplio. Este cambio está modificando nuestra forma de recopilar datos visuales. Con una tecnología más accesible, ahora podemos capturar imágenes y vídeos de diversas fuentes, más allá de las cámaras tradicionales.
Paralelamente, el análisis de imágenes, facilitado por la visión por ordenador, una rama de la inteligencia artificial (IA), está evolucionando rápidamente, permitiendo a las máquinas interpretar y procesar datos visuales con mayor eficacia. Este avance ha abierto nuevas posibilidades de automatización, detección de objetos y análisis en tiempo real. Ahora las máquinas pueden reconocer patrones, seguir movimientos y dar sentido a datos visuales complejos.
Algunos tipos clave de datos visuales son las imágenes RGB (rojo, verde y azul), que se utilizan habitualmente para el reconocimiento de objetos, las imágenes térmicas, que ayudan a detectar firmas de calor en condiciones de poca luz, y los datos de profundidad, que permiten a las máquinas comprender entornos tridimensionales. Cada uno de estos tipos de datos desempeña un papel fundamental en las diversas aplicaciones de la IA visual, que van desde la vigilancia a la obtención de imágenes médicas.
En este artículo, exploraremos los principales tipos de datos visuales utilizados en Vision AI y analizaremos cómo contribuye cada uno de ellos a mejorar la precisión, la eficacia y el rendimiento en diversos sectores. Empecemos.
Normalmente, cuando utilizas un smartphone para hacer una foto o ver una grabación de CCTV, trabajas con imágenes RGB. RGB significa rojo, verde y azul, y son los tres canales de color que representan la información visual en las imágenes digitales.
Las imágenes RGB y los vídeos son tipos de datos visuales estrechamente relacionados que se utilizan en visión por ordenador, ambos capturados con cámaras estándar. La diferencia clave es que las imágenes capturan un único momento, mientras que los vídeos son una secuencia de fotogramas que muestran cómo cambian las cosas a lo largo del tiempo.
Las imágenes RGB se utilizan generalmente para tareas de visión por ordenador como la detección de objetos, la segmentación de instancias y la estimación de poses, con el apoyo de modelos como Ultralytics YOLO11. Estas aplicaciones se basan en la identificación de patrones, formas o características específicas en un solo fotograma.
Los vídeos, por su parte, son esenciales cuando el movimiento o el tiempo son un factor, como en el reconocimiento de gestos, la vigilancia o el seguimiento de acciones. Dado que los vídeos pueden considerarse una serie de imágenes, los modelos de visión por ordenador como YOLO11 los procesan fotograma a fotograma para comprender el movimiento y el comportamiento a lo largo del tiempo.
Por ejemplo, YOLO11 puede utilizarse para analizar imágenes o vídeos RGB para detectar malas hierbas y contar plantas en campos agrícolas. Esto mejora la supervisión de los cultivos y ayuda a seguir los cambios a lo largo de los ciclos de cultivo para una gestión agrícola más eficiente.
Los datos de profundidad añaden una tercera dimensión a la información visual al indicar a qué distancia se encuentran los objetos de la cámara o el sensor. A diferencia de las imágenes RGB, que sólo captan el color y la textura, los datos de profundidad proporcionan un contexto espacial. Muestran la distancia entre los objetos y la cámara, lo que permite interpretar la disposición tridimensional de una escena.
Este tipo de datos se obtienen con tecnologías como LiDAR, visión estereoscópica (que utiliza dos cámaras para imitar la percepción humana de la profundidad) y cámaras de tiempo de vuelo (que miden el tiempo que tarda la luz en ir y volver de un objeto).
Entre ellos, el LiDAR (Light Detection and Ranging) suele ser el más fiable para medir la profundidad. Funciona enviando impulsos láser rápidos y midiendo cuánto tardan en rebotar. El resultado es un mapa tridimensional de gran precisión, conocido como nube de puntos, que destaca la forma, posición y distancia de los objetos en tiempo real.
La tecnología LiDAR puede dividirse en dos tipos principales, cada uno diseñado para aplicaciones y entornos específicos. A continuación te presentamos ambos tipos:
Una aplicación impactante de los datos LiDAR es la de los vehículos autónomos, donde desempeñan un papel clave en tareas como la detección de carriles, la evitación de colisiones y la identificación de objetos cercanos. El LiDAR genera mapas 3D detallados y en tiempo real del entorno, lo que permite al vehículo ver los objetos, calcular su distancia y navegar con seguridad.
Las imágenes RGB captan 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 captan la luz infrarroja que emiten o reflejan los objetos, lo que las hace útiles en condiciones de poca luz.
La termografía, en cambio, detecta el calor emitido por los objetos y muestra las diferencias de temperatura, lo que le permite trabajar en completa oscuridad o a través del humo, la niebla y otros obstáculos. Este tipo de datos es especialmente útil para supervisar y detectar problemas, sobre todo en sectores en los que los cambios de temperatura pueden indicar posibles problemas.
Un ejemplo interesante es el uso de la termografía 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 averías en los equipos, incendios o daños costosos.
Del mismo modo, las imágenes infrarrojas pueden ayudar a detectar fugas en tuberías o aislamientos mediante la identificación de diferencias de temperatura que indican la salida de gases o fluidos, lo que resulta crucial para prevenir situaciones peligrosas y mejorar la eficiencia energética.
Mientras que las imágenes infrarrojas y térmicas captan aspectos específicos del espectro electromagnético, las imágenes multiespectrales recogen luz de unos pocos rangos de longitud de onda seleccionados, cada uno de ellos elegido para un fin específico, como detectar vegetación sana o identificar materiales superficiales.
Las imágenes hiperespectrales van un paso más allá al captar la luz en cientos de rangos de longitud de onda muy estrechos y continuos. De este modo se obtiene una firma luminosa detallada de cada píxel de la imagen, lo que permite comprender mucho mejor el material observado.
Tanto las imágenes multiespectrales como las hiperespectrales utilizan sensores y filtros especiales para captar la luz en diferentes longitudes de onda. A continuación, los datos se organizan en una estructura tridimensional 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 normales o el ojo humano no pueden ver. Por ejemplo, en el fenotipado de plantas, las imágenes hiperespectrales pueden utilizarse para controlar la salud y el crecimiento de las plantas detectando 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.
El radar y el sonar son tecnologías que detectan y cartografían objetos enviando señales y analizando sus reflejos, de forma similar al LiDAR. A diferencia de las imágenes RGB, que se basan en ondas luminosas para captar información visual, el radar utiliza ondas electromagnéticas, normalmente ondas de radio, mientras que el sonar utiliza ondas sonoras. Tanto el radar como el sonar emiten impulsos y miden el tiempo que tarda la señal en rebotar en un objeto, lo que proporciona información sobre su distancia, tamaño y velocidad.
Las imágenes por radar son especialmente útiles cuando la visibilidad es escasa, como durante la niebla, la lluvia o la noche. Al no depender de la luz, puede detectar aeronaves, vehículos o terrenos en completa oscuridad. Por ello, el radar es una opción fiable para la aviación, la vigilancia meteorológica y la navegación autónoma.
En comparación, la imagen por sonar se utiliza habitualmente en entornos submarinos donde no llega la luz. Utiliza ondas sonoras que viajan a través del agua y rebotan en objetos sumergidos, lo que permite detectar submarinos, cartografiar los fondos oceánicos y ejecutar misiones de rescate submarino. Los avances en visión por ordenador permiten ahora mejorar aún más la detección submarina combinando los datos del sonar con análisis inteligentes para mejorar la detección y la toma de decisiones.
Hasta ahora, los distintos tipos de datos que hemos analizado han sido los que pueden recogerse del mundo real. Sin embargo, tanto los datos visuales sintéticos como los simulados son tipos de contenido artificial. Los datos sintéticos se generan a partir de cero utilizando modelado 3D o IA generativa para producir imágenes o vídeos de aspecto realista.
Los datos simulados son similares, pero implican la creación de entornos virtuales que reproducen el comportamiento del mundo físico, incluidos el reflejo de la luz, la formación de sombras y el movimiento de objetos. Aunque todos los datos visuales simulados son sintéticos, no todos los datos sintéticos son simulados. La diferencia clave es que los datos simulados reproducen el comportamiento realista, no sólo la apariencia.
Estos tipos de datos son útiles para entrenar modelos de visión por ordenador, sobre todo cuando es difícil recopilar datos del mundo real o cuando hay que simular situaciones específicas y poco frecuentes. Los desarrolladores pueden crear escenas completas, elegir tipos de objetos, posiciones e iluminación, y añadir automáticamente etiquetas como cuadros delimitadores para el entrenamiento. Esto ayuda a crear rápidamente conjuntos de datos amplios y diversos, sin necesidad de fotos reales ni etiquetado manual, que puede ser costoso y llevar mucho tiempo.
Por ejemplo, en el ámbito sanitario, los datos sintéticos pueden utilizarse para entrenar modelos de segmentación de células de cáncer de mama, donde resulta difícil recopilar y etiquetar grandes conjuntos de datos de imágenes reales. Los datos sintéticos y simulados aportan flexibilidad y control, llenando lagunas donde las imágenes del mundo real son limitadas.
Ahora que ya hemos visto cómo funcionan los distintos tipos de datos visuales y lo que pueden hacer, veamos con más detalle qué tipos de datos son los mejores para tareas específicas:
A veces, un solo tipo de datos puede no proporcionar suficiente precisión o contexto en situaciones del mundo real. Aquí es donde la fusión multimodal de sensores resulta clave. Combinando el RGB con otros tipos de datos, como los térmicos, los de profundidad o los LiDAR, los sistemas pueden superar sus limitaciones individuales y mejorar su fiabilidad y adaptabilidad.
Por ejemplo, en la automatización de almacenes, el uso de RGB para el reconocimiento de objetos, la profundidad para la medición de distancias y la térmica para detectar el sobrecalentamiento de los equipos hace que las operaciones sean más eficaces y seguras. En última instancia, los mejores resultados se obtienen seleccionando o combinando tipos de datos en función de las necesidades específicas de la aplicación.
A la hora de crear modelos de IA de visión, es fundamental elegir el tipo adecuado de datos visuales. Tareas como la detección de objetos, la segmentación y el seguimiento del movimiento no sólo dependen de los algoritmos, sino también de la calidad de los datos de entrada. Unos conjuntos de datos limpios, diversos y precisos ayudan a reducir el ruido y mejorar el rendimiento.
Al combinar tipos de datos como RGB, profundidad, 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 e impactante en todos los sectores.
Únase a nuestra comunidad y explore nuestro repositorio de GitHub para aprender más sobre visión por ordenador. Descubra diversas aplicaciones relacionadas con la IA en la sanidad y la visión por ordenador en el comercio minorista en nuestras páginas de soluciones. Consulte nuestras opciones de licencia para empezar a utilizar Vision AI.
.webp)
