La rápida expansión y densificación de las ciudades ha aumentado la necesidad de gestionar de manera más eficiente las infraestructuras urbanas. Los métodos tradicionales de inspección y control requieren tiempo y recursos significativos, dado que dependen de la presencia física de personal para recoger datos en diferentes ubicaciones. Este proyecto busca resolver esta problemática mediante la implementación de una red neuronal que permita automatizar la identificación de objetos urbanos. Con la automatización de estos procesos, se busca no solo ahorrar recursos, sino también mejorar la eficiencia en la gestión de infraestructuras y promover el desarrollo de ciudades más inteligentes y sostenibles.
El desarrollo de este proyecto se estructuró en varias fases, empezando por la recopilación de datos a partir de imágenes satelitales de alta resolución. Estas imágenes fueron obtenidas del Centro Nacional de Información Geográfica (CNIG) y se seleccionaron por su resolución y calidad. Cada imagen fue segmentada en mosaicos más pequeños para facilitar su procesamiento. Posteriormente, las áreas urbanas dentro de las imágenes fueron enmascaradas y procesadas utilizando la herramienta de QGIS. Una vez segmentadas, las imágenes fueron sometidas a un proceso de etiquetado, el etiquetado preciso fue crucial para entrenar la red neuronal, ya que este es el paso en el que la red aprende a reconocer patrones y a distinguir entre diferentes tipos de objetos.
El objetivo principal es utilizar redes neuronales convolucionales (CNN) para identificar y categorizar diversos elementos urbanos a través del análisis de imágenes satelitales de alta resolución. Las redes neuronales se han demostrado como una herramienta eficaz para la clasificación de imágenes debido a su capacidad para aprender patrones complejos y realizar predicciones a partir de grandes volúmenes de datos. En este caso, el enfoque se centra en facilitar la automatización de la interpretación de imágenes en entornos urbanos, con aplicaciones potenciales en la planificación urbana y la cartografía digital.
En cuanto a la elección del modelo de red neuronal, después de evaluar diversas arquitecturas de CNN, se optó por EfficientNet, una red que destaca por su equilibrio entre eficiencia computacional y precisión en la clasificación de imágenes. EfficientNet ajusta de manera equilibrada la profundidad, el ancho y la resolución del modelo, lo que permite obtener mejores resultados con menos recursos en comparación con otras arquitecturas.
Tras el entrenamiento, la red neuronal mostró un desempeño prometedor, alcanzando una precisión y un recall aceptables para los objetivos del proyecto. Se logró detectar correctamente la mayoría de los elementos urbanos etiquetados en las imágenes de prueba.
El resultado final consistió en la creación de capas vectoriales de polígonos que contenían las predicciones del modelo sobre los elementos urbanos presentes en las imágenes analizadas. Estos resultados se integraron en QGIS, lo que permitió visualizar los objetos detectados sobre las ortofotos originales, facilitando su análisis y evaluación.
Para más información acerca de este proyecto, este es el enlace del repositorio dónde se puede encontrar.