SkyGuard Solutions: Compromiso con la Economía Circular y la Innovación Sostenible
Este proyecto surge de la necesidad de mejorar la seguridad y eficiencia en la inspección de pistas aeroportuarias, donde la detección de objetos extraños (FOD) es crítica para prevenir daños a las aeronaves y garantizar la seguridad operativa del entorno aeroportuario. Las inspecciones tradicionales son laboriosas, costosas y propensas a errores humanos, lo que justifica la búsqueda e implementación de soluciones tecnológicas avanzadas.
Al integrar drones de última generación y algoritmos de inteligencia artificial, SkyGuard Solutions ofrece una solución innovadora y automatizada que optimiza la detección de FOD en tiempo real. Este enfoque no solo aumenta la precisión y velocidad de las inspecciones, sino que también se alinea con los objetivos de sostenibilidad, reduciendo residuos y promoviendo prácticas de economía circular.
PROPUESTA
SkyGuard Solutions, de ahora en adelante “la empresa”, tiene como línea principal de negocio la implementación de drones equipados con IA para la inspección y detección de objetos extraños en la pistas de los aeropuertos, también denominados FOD (Foreign Object Damage).
Con este servicio, la empresa esta convencida del cumplimiento de la economía circular, para poder abordar desafíos globales como el cambio climático, la pérdida de biodiversidad, la gestión de los desechos y la contaminación. Para ello, se ha puesto como principal meta el desarrollo de los objetivos Industria, innovación e infraestructura (9) y la Producción y consumo responsables (12) correspondientes a los Objetivos de Desarrollo Sostenible (ODS) de las Naciones Unidas, incluidos en la Agenda 2030.
Entre todas las acciones llevadas a cabo para cumplir estos objetivos, se pueden destacar la reducción de residuos y reutilización de materiales, la optimización de recursos o la extensión de la vida útil de equipos. Como ejemplo, los objetos extraños detectados en las pistas de aeropuertos, como piezas sueltas, envases y materiales de construcción, pueden ser reciclados. La IA entrenada para identificar estos objetos permite su recolección y definir el proceso de reciclaje adecuado, contribuyendo a reducir los residuos.
Además, el uso de IA para la detección de FOD minimiza la necesidad de inspecciones manuales intensivas, lo que ahorra tiempo y recursos humanos. Este enfoque se alinea con la economía circular al optimizar el uso de recursos disponibles y reducir el consumo de energía. Por último, al reducir el riesgo de daños a las aeronaves debido a FOD, se extiende la vida útil de estos activos. Esto reduce la necesidad de fabricar nuevos equipos, promoviendo la reutilización y el mantenimiento.
EQUIPOS Y TECNOLOGÍA
La empresa ha escogido el modelo de dron chino DJI Matrice 350 RTK con el estabilizador y cámara Zenmuse H20. Esta decisión se debe a que DJI es líder mundial en el diseño y fabricación de aeronaves no tripuladas, con una cuota de mercado actual que supera el 70 %. En concreto, este dron pesa unos 6,5 kg y puede volar con una autonomía de 55 minutos. Además, este fabricante proporciona una interfaz intuitiva y funciones avanzadas de planificación de vuelo, lo que permite la creación de rutas de vuelo automatizadas y repetibles para la inspección de pistas (software DJI Pilot). En cuanto a la cámara, esta tiene un peso de 678±5 g, con un índice de protección IP44, para poder operar en condiciones meteorológicas adversas. También, cuenta con un zoom óptico de 23x y un zoom híbrido de 200x, que permitirá una inspección detallada sin perder calidad
En el ámbito de la detección de objetos en imágenes y videos en tiempo real, es fundamental elegir un algoritmo que ofrezca un equilibrio óptimo entre precisión y velocidad. Después de una comparativa exhaustiva entre diferentes tecnologías, la empresa ha decidido optar por el algoritmo YOLO (You Only Look Once). Se trata de un sistema de código abierto para detección de objetos en tiempo real, el cual hace uso de una única red neuronal convolucional para detectar objetos en imágenes. Destaca por su capacidad para realizar detecciones en una sola pasada a través de la red, procesando imágenes y videos en tiempo real. Además, ofrece un equilibrio óptimo entre precisión y velocidad, siendo ideal para escenarios donde estas variables son críticas.
Por otro lado, el modelo se entrenará con un dataset muy completo, incluyendo objetos relevantes que se encuentran en las pistas de los aeropuertos, con etiquetas que identifican y localizan objetos extraños. Se ha decidido escoger el FOD-A Dataset, que cuenta con 31 categorías y alrededor de 35.000 imágenes.
Para mejorar la generalización del modelo y evitar el sobreajuste al dataset inicial, se utilizará RoboFlow para realizar data augmentation; ya que este proceso permite aumentar la diversidad del conjunto de datos, generando nuevas imágenes a partir de las existentes mediante transformaciones como rotaciones, escalados y cambios de iluminación. Además, se ha seleccionado YOLOv5 debido a su precisión superior y estabilidad, aspectos cruciales para detectar todos los objetos en una imagen de manera eficiente. YOLOv5 ha demostrado ser altamente efectivo en tareas de detección de objetos gracias a su arquitectura optimizada y capacidad de procesamiento en tiempo real.
Como se puede observar el la siguiente imagen, el sistema se basa en la interacción entre el dron y la estación de control en tierra. El dron captura imágenes y datos durante el vuelo, que son transmitidos en tiempo real a través de una red 5G a un servidor central. En el servidor, los datos son procesados utilizando algoritmos avanzados de inteligencia artificial como se comentó anteriormente.
La comunicación bidireccional permite no solo la transmisión de datos del dron al servidor, sino también el envío de instrucciones de vuelta al dron para ajustar su vuelo según sea necesario. Este sistema integral asegura que cada fase de la operación, desde la captura de datos hasta la toma de decisiones, se realice de manera eficiente y coordinada.
PLAN DE IMPLEMENTACIÓN
El plan de implementación de este proyecto se ha dividido en cuatro fases, que durarán algo menos de un año, por lo que al final de las cuatro pueda haber un cliente utilizando el servicio plenamente. En la siguiente imagen se puede observar un diagrama de Gantt.
La primera fase será de unos tres meses y constará de la investigación y el análisis, la adquisición licencias, el diseño y desarrollo del algoritmo y el entrenamiento del modelo IA. Los recursos necesarios para esta fase del proyecto incluyen dos programadores, un experto en IA y un arquitecto, junto con cuatro ordenadores y un servidor. Los indicadores para evaluar el progreso son la autonomía de los empleados, la capacidad del algoritmo para procesar imágenes sintéticas y la precisión del modelo en el conjunto de validación. Estos recursos y evaluaciones aseguran que todos los miembros del equipo puedan trabajar de manera independiente y que el modelo funcione correctamente.
Para la segunda fase bastará con dos meses. En este periodo se hará efectiva la compra del dron y sus componentes, además de la configuración del hardware y las pruebas de funcionalidad. Un trabajador asumirá las responsabilidades de compras, mientras que los otros tres trabajadores instalarán y configurarán el dron para que se comunique con el servidor según lo establecido. Además, durante un mes entero se harán distintas pruebas y se tomarán las medidas correctivas que se necesiten. Para el correcto desarrollo de esta fase, se han establecido indicadores que evalúan la tasa de éxito de la comunicación dron-servidor a través de la red 5G, la calidad de las imágenes capturadas por el dron y el tiempo de envío de las imágenes al servidor, asegurando que la comunicación es efectiva, las imágenes tienen la resolución mínima requerida y se transmiten en menos de 5 segundos.
En cuanto a la tercera fase, que durará otros dos meses, se diseñarán los planes de vuelo y se comprobarán los KPI, unos indicadores de rendimiento que evalúan si se cumplen los estándares definidos al inicio del proyecto. De los cuatro trabajadores, tres se encargarán de la programación del plan de vuelo y el cumplimiento de los requisitos establecidos, así como del arreglo o ajuste necesario de cualquier anomalía detectada por el QA tester, que será el cuarto trabajador.
En la última fase del proyecto, con una duración de otros dos meses, se necesita un jefe de proyecto que se asegure de que todos los entregables se proporcionan al cliente y que sea el punto de contacto entre el propio cliente y la empresa. En esta fase, los otros trabajadores harán las labores de formación para asegurarse que el cliente es capaz de utilizar los drones de manera independiente y que son capaces de entender los informes generados por la empresa.
por Alicia Espinosa, Guillem Lloveras, Emilio Pintos y Marcel Planell
