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

Antes, tecnologías como los drones eran limitadas y solo estaban al alcance de investigadores y especialistas, pero hoy en día el hardware avanzado es más accesible para un público más amplio. Este cambio está transformando la forma de recopilar datos visuales. Ahora, gracias a una tecnología más accesible, podemos capturar imágenes y vídeos de diversas fuentes, más allá de las cámaras tradicionales.

Al mismo tiempo, el análisis de imágenes, impulsado por la visión artificial, una rama de la inteligencia artificial (IA), evoluciona rápidamente y permite que las máquinas interpreten y procesen datos visuales con mayor eficacia. Este avance ha abierto nuevas posibilidades para la automatización, la detección de objetos y el análisis en tiempo real. Ahora, las máquinas pueden reconocer patrones, seguir movimientos e interpretar entradas visuales complejas.

Algunos tipos importantes 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 fuentes de calor 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 IA visual, desde la vigilancia hasta el diagnóstico por imagen.

En este artículo veremos los principales tipos de datos visuales que se utilizan en la IA visual y analizaremos cómo contribuye cada uno a mejorar la precisión, la eficiencia y el rendimiento en distintos sectores.

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

Normalmente, cuando haces una foto con un smartphone o ves imágenes de videovigilancia, estás trabajando con imágenes RGB. RGB corresponde a rojo, verde y 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 clave es que las imágenes capturan un único instante, mientras que los vídeos son secuencias de fotogramas que muestran cómo cambian las cosas con el tiempo.

Las imágenes RGB suelen utilizarse en tareas de visión artificial, 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 identificar patrones, formas o características específicas en un único fotograma.

Por otro lado, los vídeos son esenciales cuando el movimiento o el tiempo son importantes, por ejemplo, en el reconocimiento de gestos, la vigilancia o el seguimiento de acciones. Como los vídeos se pueden considerar 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 se puede utilizar para analizar imágenes o vídeos RGB, 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 crecimiento para gestionar las explotaciones de forma más eficiente.

Fig. 1. YOLO11 puede detectar y contar plantas para mejorar la supervisión de los cultivos.

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

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 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 con tecnologías como LiDAR, la visión estéreo (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 volver). También se puede predecir la profundidad a partir de una única imagen RGB mediante modelos de estimación monocular de profundidad.

De estas tecnologías, LiDAR (detección y medición de distancias por luz) suele ser la más fiable para medir la profundidad. Funciona emitiendo pulsos láser rápidos y midiendo cuánto tardan en rebotar. El resultado es un mapa 3D de gran precisión, conocido como nube de puntos, que representa la forma, la posición y la distancia de los objetos en tiempo real.

El creciente papel del LiDAR en los sistemas de IA visual#

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

• LiDAR aerotransportado: Los escáneres LiDAR aerotransportados, que suelen utilizarse para cartografiar grandes zonas, se instalan en drones o aeronaves para capturar datos de alta resolución destinados a la cartografía topográfica a gran escala. Son ideales para estudiar terrenos, bosques y paisajes.
• LiDAR terrestre: Este tipo de datos LiDAR se recopila mediante sensores instalados en vehículos o plataformas fijas para aplicaciones como la supervisión de infraestructuras, la construcción y la cartografía de interiores. Proporciona datos muy detallados de zonas más pequeñas y localizadas, por lo que resulta útil en tareas como la planificación urbana y el estudio de estructuras concretas.

Una aplicación destacada de los datos LiDAR son los vehículos autónomos, en los que 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 objetos, calcular su distancia y circular 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 la termografía y la imagen infrarroja, van más allá. La imagen infrarroja captura la luz infrarroja que emiten o reflejan los objetos, por lo que resulta útil en condiciones de poca luz.

En cambio, la termografía detecta el calor que emiten los objetos y muestra las diferencias de temperatura, por lo que puede funcionar en completa oscuridad o a través del humo, la niebla y otros obstáculos. 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 la termografía para supervisar componentes eléctricos y detectar indicios 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 la termografía 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 escapes de gases o líquidos, algo fundamental para prevenir situaciones peligrosas y mejorar la eficiencia energética.

Imágenes multiespectrales e hiperespectrales en IA#

Mientras que la termografía y la imagen infrarroja capturan aspectos concretos del espectro electromagnético, las imágenes multiespectrales recogen luz de varios rangos de longitud de onda seleccionados, cada uno con un propósito específico, como detectar vegetación sana o identificar materiales de superficie.

La imagen hiperespectral va un paso más allá al capturar la luz en cientos de intervalos de longitud de onda muy estrechos y continuos. Esto proporciona una firma luminosa detallada de cada píxel de la imagen y permite comprender mucho mejor 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 de distintas longitudes de onda. Después, los datos se organizan en una estructura 3D llamada cubo espectral, donde 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 la fenotipificación vegetal, las imágenes hiperespectrales se pueden utilizar 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 recurrir a 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 utilizan ondas de luz para capturar información visual, el radar emplea ondas electromagnéticas, normalmente ondas de radio, mientras que el sonar utiliza ondas sonoras. Tanto los sistemas de radar como los de sonar emiten pulsos 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 de radar son especialmente útiles cuando la visibilidad es escasa, por ejemplo, con niebla, lluvia o de noche. Como no depende de la luz, el radar puede detectar aeronaves, vehículos o terrenos en completa oscuridad. Esto lo convierte en una opción fiable para la aviación, la vigilancia meteorológica y la navegación autónoma.

En cambio, las imágenes de sonar se utilizan habitualmente en entornos submarinos donde no llega la luz. Emplean ondas sonoras que se propagan por el agua y rebotan en objetos sumergidos, lo que permite detectar submarinos, cartografiar fondos oceánicos y llevar a cabo operaciones de rescate submarino. Los avances en visión artificial permiten ahora mejorar aún más la detección submarina al combinar datos de sonar con análisis inteligente para optimizar la detección y la toma de decisiones.

Fig. 5. Cómo utiliza un sistema de sonar los pulsos de ultrasonidos 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 comentado eran los que se pueden recopilar 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. Un vistazo a las imágenes generadas sintéticamente.

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 los 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 comportamientos realistas, no solo apariencias.

Estos tipos de datos son útiles para entrenar modelos de visión artificial, especialmente cuando resulta difícil recopilar datos del mundo real o cuando es necesario simular situaciones concretas y poco frecuentes. Los desarrolladores pueden crear escenas completas, elegir los tipos de objetos, sus posiciones y la iluminación, y añadir automáticamente etiquetas, como cuadros delimitadores, para el entrenamiento. Esto ayuda a crear conjuntos de datos grandes y diversos rápidamente, sin necesidad de fotos reales ni de etiquetado manual, que puede resultar costoso y llevar mucho tiempo.

Por ejemplo, en el ámbito sanitario, los datos sintéticos se pueden utilizar 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 las imágenes del mundo real son limitadas.

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, veamos con más detalle cuáles son los más adecuados para tareas específicas:

• Imágenes RGB: Son adecuadas 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 con poca luz o escasa visibilidad.
• Imágenes LiDAR: Este tipo de imágenes permite crear mapas 3D de alta precisión mediante pulsos láser. Es ideal para aplicaciones que requieren mediciones precisas de distancias, como la robótica, los vehículos autónomos y la inspección de infraestructuras.
• Imágenes térmicas: Como permiten detectar diferencias de temperatura, resultan útiles en condiciones de baja visibilidad, por ejemplo, para la vigilancia 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 los materiales, como la supervisión agrícola, el control de calidad farmacéutico o la teledetección. Estos métodos ofrecen información más completa al capturar datos en un amplio rango de longitudes de onda que va más allá de la luz visible.
• Imágenes de radar y sonar: Se prefieren en entornos con poca visibilidad. El radar utiliza ondas de radio y es útil en la aviación y la navegación, mientras que el sonar utiliza ondas sonoras para la detección subacuática.
• 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 variados para escenarios complejos, como sucesos poco frecuentes o situaciones críticas para la seguridad.

A veces, un solo tipo de datos no proporciona suficiente precisión o contexto en situaciones del mundo real. Aquí es 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 e imágenes térmicas para detectar equipos sobrecalentados hace que las operaciones sean más eficientes y seguras. En definitiva, 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 para visión artificial, es fundamental elegir el tipo adecuado de datos visuales. Tareas como la detección de objetos, la segmentación y el seguimiento del movimiento dependen no solo 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, imágenes térmicas y LiDAR, los sistemas de IA obtienen una visión más completa del entorno y se vuelven más fiables en distintas condiciones. A medida que la tecnología siga mejorando, probablemente abrirá el camino para que la IA de visión sea más rápida, adaptable y relevante en todos los sectores.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para aprender más sobre visión artificial. Descubre distintas aplicaciones relacionadas con la IA en el sector sanitario y la visión artificial en el comercio minorista en nuestras páginas de soluciones. Consulta nuestras opciones de licencia para empezar a trabajar con IA de visión.