Así ayuda el Deep Learning a conocer las condiciones de los aeródromos

El grupo de investigación de Data Science de la Universidad Pablo de Olavide desarrolla un sistema que hace uso del deep learning para conocer las condiciones de las pistas de vuelo.

Cuando un turista se sube a un avión, poco se preocupa de nada más allá de que el vuelo salga en hora. Pero, ¿qué hay de las condiciones que rodean al hecho de emprender el viaje? ¿Está la pista aeroportuaria siempre en condiciones para que vuele el avión? Un robot sevillano podría ser la clave para conocer las condiciones de las pistas de despegue y de aterrizaje antes de iniciar el viaje.

El software lo está desarrollando el grupo de investigación Data Science & Big Data Lab de la Universidad Pablo de Olavide. A través de este dispositivo se pretende poder reconocer de manera automática desperfectos en pistas de aeropuertos.

Deep learning y transfer learning

La herramienta se engloba dentro de la llamada solución integral ‘Airport Pavement Inspection by Aerial Robotic System’, propiedad de Soologic Technological Solutions S.L, empresa con una dilatada experiencia en este sector.

Según los artífices de este nuevo desarrollo, el robot se encargará de detectar y de clasificar los desperfectos del pavimento aeroportuario. Para ello se empleará un robot aéreo específicamente diseñado para esta tarea. El robot estará equipado con una cámara de alta resolución, sistemas de vuelos automáticos y un sistema de iluminación artificial para vuelos nocturnos.

En cuanto a la tecnología que empleará el robot destaca el uso del deep learning y del llamado transfer learning. En concreto, el algoritmo de deep learning es capaz de aprender de otras imágenes previamente clasificadas, de modo que, tras recibir una nueva imagen, es capaz de determinar con gran precisión a qué tipo de desperfecto se parece más.

Como el tiempo de vuelo dentro de un aeropuerto está limitado debido al gran tráfico existente, en muchas ocasiones no se disponen de suficientes imágenes para poder aprender, por lo que este grupo de investigación ha optado por incorporar otras fuentes de imágenes para alimentar al sistema y permitirle aprender por otras vías: es lo que se conoce como transfer learning.

Deja un comentario

Tu dirección de correo electrónico no será publicada.

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

TE PUEDE GUSTAR

EVENTOS

RECIBE LA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Ir arriba