IA-AsBuilt
Modelos de Segmentación para Detección de Estructuras Industriales
Colección de arquitecturas Deep Learning orientadas a segmentación semántica de líneas estructurales y sistemas industriales tipo As-Built.
Objetivo
Desarrollar modelos capaces de:
- Detectar trazas estructurales
- Segmentar ejes de tuberías
- Identificar cruces industriales
- Generalizar sobre ruido y oclusiones
- Transferir conocimiento synthetic-to-real
Stack Tecnológico
| Componente | Tecnología |
|---|
| Framework | PyTorch |
| Entrenamiento | Google Colab |
| GPU | NVIDIA T4 |
| Lenguaje | Python |
Arquitectura del Proyecto
1DeepLearning/
2│
3├── v1/
4├── v2/
5├── v3/
6├── v4/
7├── v5/
8└── v6/
Evolución de Versiones
| Versión | Arquitectura | Objetivo |
|---|
| v1 | CNN Baseline | Pipeline inicial |
| v2 | U-Net | Mejor segmentación espacial |
| v3 | U-Net Acumulativo | Aprendizaje progresivo |
| v4 | U-Net Industrial | Topologías industriales |
| v5 | Synthetic-to-Real | Generalización real |
| v6 | Experimental Pipeline | Optimización avanzada |
v1 — CNN Baseline
Arquitectura
CNN simple para segmentación binaria.
Objetivo
Construir el pipeline inicial:
- Dataset loading
- Training loop
- Métricas
- Inferencia
- Visualización
Limitaciones
- Pérdida de detalle espacial
- Bordes gruesos
- Baja precisión en intersecciones
v2 — U-Net
Arquitectura
Encoder-decoder con skip connections.
Mejoras
- Recuperación espacial fina
- Bordes más limpios
- Mejor continuidad estructural
- Segmentación más estable
v3 — U-Net Acumulativo
Objetivo
Entrenamiento progresivo utilizando múltiples fases del dataset.
Características
- Aprendizaje acumulativo
- Mayor generalización
- Reducción de catastrophic forgetting
v4 — U-Net Industrial
Objetivo
Introducir estructuras industriales complejas.
Capacidades
- T-connections
- Pipe crossings
- Shadows
- Industrial layouts
Optimización
Carga del dataset completo en RAM para acelerar entrenamiento en Colab.
v5 — Synthetic-to-Real
Objetivo
Reducir la brecha entre entrenamiento sintético y escenarios reales.
Problemas Atacados
- Bajo contraste
- Texturas reales
- Perspectiva
- Ruido industrial
v6 — Experimental Pipeline
Estado
Pipeline experimental orientado a producción.
Líneas de Investigación
- Attention U-Net
- DeepLabV3+
- Vision Transformers
- Domain Adaptation
- Transfer Learning
Pipeline de Entrenamiento
Componentes
- DataLoader personalizado
- Métricas IoU/Dice
- EarlyStopping
- Checkpoints
- Visualización de predicciones
Métricas Utilizadas
| Métrica | Descripción |
|---|
| IoU | Solapamiento predicción-ground truth |
| Dice Score | Balance precisión-recall |
| FP | False Positives |
| FN | False Negatives |
Estrategia de Entrenamiento
Progresión
- Geometría básica
- Geometría compleja
- Escenarios industriales
- Generalización real
Objetivo Final
Crear modelos robustos para inferencia sobre fotografías industriales reales.
Futuro del Proyecto
Objetivos futuros:
- Modelos híbridos
- Segmentación multitask
- Integración BIM/CAD
- Inferencia tiempo real
- Deployment industrial
Licencia
Proyecto desarrollado con fines educativos y de investigación en visión computacional aplicada a entornos industriales.
