El Centro Tecnológico CTC ha validado con éxito una prueba de concepto capaz de detectar y delimitar automáticamente las zonas de corrosión temprana. Gracias al entrenamiento realizado con cuatro modelos de Deep Learning, el equipo de investigadores de CTC del centro cántabro ha logrado objetivar la evaluación visual en superficies metálicas expuestas a los efectos de este fenómeno. Esta circunstancia reduce la dependencia de criterios visuales subjetivos, detecta y delimita la corrosión a nivel píxel y facilita la trazabilidad de los ensayos de degradación.
La investigación, todavía en fase de laboratorio, resulta especialmente útil para los equipos de inspección, control de calidad y mantenimiento de las empresas propietarias u operadoras de activos metálicos en sectores como el naval, la energía, las infraestructuras, el transporte y la industria.
La identificación manual de la corrosión es una tarea que se realiza entre varios evaluadores y resulta especialmente compleja cuando aparecen focos pequeños, dispersos o de contorno irregular. El objetivo de esta investigación, denominada DACVA, ha sido transformar las imágenes de las probetas en una delimitación automática, reproducible y cuantificable de las zonas corroídas.
Para ello, se ha generado una base de imágenes de probetas sometidas a degradación mediante inmersión en una disolución salina. En el estudio, se incluyeron probetas con un recubrimiento epoxi de referencia y otro auto-indicador basado en puntos cuánticos de grafeno. Las imágenes se adquirieron en RGB con iluminación ultravioleta y en infrarrojo cercano (NIR). El conjunto principal de la base analizada está compuesto por 18 probetas, 432 imágenes RGB-UV y sus correspondientes imágenes NIR. En total, 864 imágenes entre ambas modalidades. El uso combinado de imágenes RGB-UV e infrarrojas aporta información complementaria clave para caracterizar mejor el proceso de deterioro y reforzar la capacidad de diagnóstico.
Posteriormente, las zonas corroídas se etiquetaron manualmente y se utilizaron para entrenar y comparar cuatro modelos de Deep Learning. El resultado es una prueba de concepto capaz de detectar y delimitar automáticamente las zonas de corrosión visibles en una imagen, con una tasa de éxito del 91%.
Además de objetivar el análisis de la corrosión, esta solución incrementa la precisión al detectar y delimitar el daño a nivel de píxel. Del mismo modo, mejora la reproducibilidad y la trazabilidad de los ensayos, al tiempo que posibilita cuantificar automáticamente la superficie afectada. Finalmente, la metodología resulta aplicable a otros recubrimientos y escenarios de degradación.
En la siguiente fase, el equipo de CTC prevé ampliar la base de datos y validar el sistema en nuevas condiciones para reforzar su robustez. Además, está previsto desarrollar un clasificador automático del grado de corrosión conforme a normas como la ISO 4628-3. Paralelamente, se integrarán los modelos en una herramienta de inspección que será contrastada mediante un piloto industrial.
La investigación se enmarca dentro del paquete de trabajo 1, “Generación de nuevos recubrimientos inteligentes y sostenibles mediante metodologías de desarrollo acelerado”, del proyecto FUTCAN, que está cofinanciado por el Fondo Europeo de Desarrollo Regional a través del Programa Operativo FEDER 2021-2027 de Cantabria por medio de la línea de subvenciones “Ayudas a proyectos de investigación con alto potencial industrial de agentes tecnológicos de excelencia para la competitividad industrial TCNIC”.
Este avance se alinea con los objetivos de FUTCAN relacionados con los sistemas de auto indicación, la digitalización de información sobre el estado de componentes y estructuras y la aplicación de técnicas de inteligencia artificial al ámbito industrial.
