Change Detection

La detección de cambios es una técnica de visión artificial para identificar diferencias significativas entre observaciones de la misma escena capturadas en diferentes momentos. En lugar de preguntar únicamente qué aparece en una imagen, se pregunta qué apareció, desapareció, se movió, creció, encogió o cambió de estado. Un sistema puede comparar dos fotografías, fotogramas de vídeo consecutivos o una serie temporal más larga. Su resultado puede ser un mapa de cambios binario, regiones etiquetadas, objetos alterados o medidas como el área de terreno recién inundado.

Cómo funciona la detección de cambios#

Un flujo de trabajo típico comienza con dos o más imágenes de la misma zona. La detección de cambios bitemporal compara dos fechas, mientras que la detección de cambios multitemporal analiza una secuencia para distinguir eventos aislados de tendencias graduales.

Antes de la comparación, las imágenes deben hacerse compatibles:

1. Alineación: El registro de imágenes sitúa los puntos correspondientes de la escena en las mismas coordenadas de píxel. De lo contrario, incluso un pequeño desplazamiento de la cámara puede crear falsos bordes alrededor de cada objeto.
2. Normalización: Se ajustan el brillo, el color, las condiciones atmosféricas y las respuestas del sensor. Para el análisis por satélite, los productos de reflectancia de la superficie mejoran las comparaciones al reducir los efectos atmosféricos.
3. Representación: El sistema compara píxeles en bruto, características visuales extraídas, objetos detectados o máscaras de segmentación. Un método básico puede utilizar las diferencias absolutas de imagen de OpenCV, mientras que los modelos entrenados pueden reconocer cambios semánticos a pesar de diferencias moderadas en la iluminación o el punto de vista.
4. Decisión: Un umbral separa el cambio significativo del ruido. Las medidas de similitud como las de la API de métricas de imagen de scikit-image pueden cuantificar con qué intensidad difieren dos observaciones.
5. Postprocesamiento: Se pueden eliminar pequeñas detecciones aisladas, fusionar píxeles vecinos en regiones y asignar a los cambios etiquetas como «nuevo edificio» o «componente faltante».

El cambio mínimo detectable es la alteración más pequeña que un sistema puede separar de manera fiable del ruido del sensor, el error de registro y la variación normal. Depende de la resolución de la imagen, el tamaño del objeto, el contraste, la calidad del preprocesamiento y el umbral seleccionado.

Conceptos relacionados y distinciones clave#

La detección de cambios se solapa con varias tareas de visión, pero cada una responde a una pregunta diferente:

• La detección de anomalías identifica observaciones que difieren de una definición aprendida de lo normal, a veces utilizando una sola imagen. La detección de cambios requiere una comparación temporal o de referencia y no implica que el cambio sea anormal.
• La detección de objetos localiza y clasifica objetos de forma independiente en cada imagen. Comparar detecciones entre fechas puede revelar objetos añadidos o eliminados.
• La segmentación de imágenes asigna etiquetas a nivel de píxel. La detección de cambios puede comparar máscaras de segmentación para medir formas o áreas alteradas con precisión.
• El seguimiento de objetos mantiene las identidades de los objetos a lo largo de los fotogramas de vídeo y enfatiza el movimiento y las trayectorias. La detección de cambios suele centrarse en cambios en el contenido o estado de la escena, los cuales pueden ocurrir a lo largo de minutos, meses o años.
• La deriva de datos describe cambios en la distribución estadística de las entradas de producción. Esto concierne a la fiabilidad del modelo, mientras que la detección visual de cambios concierne a las diferencias dentro de las escenas observadas.

Aplicaciones en el mundo real#

Observación de la Tierra y evaluación de desastres: Los analistas comparan imágenes de satélite para cartografiar la deforestación, la expansión urbana, el movimiento de la línea costera, los daños por incendios forestales o las inundaciones. El análisis de imágenes de satélite puede combinar datos multiespectrales con segmentación para clasificar cada región cambiada. La colección Earthshots del USGS demuestra cómo las imágenes de Landsat de antes y después revelan la transformación ambiental, mientras que la NASA proporciona un flujo de trabajo práctico de detección de cambios por diferencia logarítmica. Programas a largo plazo como NOAA Coastal Land Cover and Change convierten estas comparaciones en información para la planificación de inundaciones y la gestión costera.

Inspección industrial: Una cámara fija puede comparar un conjunto antes y después de una etapa de producción. La detección puede revelar un perno faltante o un componente recién colocado, mientras que la segmentación puede medir una grieta o una superficie dañada. En la inspección visual de fabricación automatizada, un cambio no detectado puede permitir que un producto defectuoso continúe su curso, mientras que las falsas alarmas pueden causar paradas de línea innecesarias y revisiones manuales.

Detección de Cambios con Ultralytics YOLO#

Ultralytics YOLO puede proporcionar la etapa de percepción semántica de un pipeline de detección de cambios. Por ejemplo, un modelo de segmentación personalizado YOLO26 puede procesar imágenes de antes y después registradas a través del modo predict de YOLO:

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

Este flujo de trabajo produce máscaras de objetos y etiquetas para cada observación. Una aplicación posterior puede hacer coincidir las clases correspondientes y comparar su presencia, posición o área de máscara. Para categorías especializadas, los equipos pueden anotar imágenes emparejadas, entrenar modelos personalizados y gestionar el despliegue utilizando la Plataforma de Ultralytics.

Desafíos prácticos y mejores prácticas#

Una detección de cambios fiable requiere algo más que restar imágenes. El movimiento de la cámara, las sombras, la vegetación estacional, los reflejos, las nubes y la oclusión pueden parecerse a un cambio real. Los equipos deben mantener consistentes los puntos de vista y la configuración de los sensores, registrar las imágenes antes de la comparación, entrenar con variaciones representativas de «sin cambios» y seleccionar los umbrales utilizando datos de validación.

La evaluación debe medir tanto los falsos positivos, como las sombras etiquetadas como cambios estructurales, como los falsos negativos, como la pérdida de pequeños defectos. El equilibrio adecuado depende de las consecuencias: la cartografía de desastres puede priorizar el recuerdo, mientras que una línea de inspección de gran volumen puede necesitar una precisión más estricta para evitar alarmas excesivas. La revisión humana sigue siendo valiosa para resultados ambiguos o de alto impacto.