Cuatro artículos revisados por pares. Una alianza universitaria. Años por delante del mercado.
En 2019, Railston & Co Ltd patrocinó un programa de investigación doctoral en Loughborough University, colaborando directamente con el Department of Computer Science para explorar cómo la visión por computador y el aprendizaje profundo podrían transformar la detección de daños en palas de aerogenerador.
En aquel momento, el sector de la energía eólica no hablaba de IA para la inspección de palas. La mayoría de los contratistas dependían por completo de informes manuales, registros de inspección en PDF y hojas de cálculo. Vimos la oportunidad de aplicar la visión por computador y el aprendizaje automático a un problema que la industria aún no había reconocido como resoluble.
A lo largo de los años siguientes, esta colaboración produjo cuatro artículos de investigación revisados por pares, un novedoso pipeline de aprendizaje profundo, un sistema de caracterización de defectos y dos kits de herramientas de código abierto, todos construidos sobre datos reales de inspección de palas procedentes de nuestras propias operaciones.
Railston & Co Ltd patrocina un programa doctoral en la School of Science de Loughborough University, centrado en la detección de daños basada en IA para palas de aerogenerador. Jason Watkins, CEO, participa directamente en la investigación como coautor industrial.
Primer artículo publicado en el Journal of Imaging. Presenta un pipeline personalizado de aprendizaje profundo para la detección de daños en palas que supera a YOLOv3 y YOLOv4, alcanzando una precisión del 86,74 %. Entrenado con datos reales de inspección proporcionados por Railston & Co.
Se publican el framework DefChars (Defect Characteristics), AI-Reasoner para IA explicable y el kit de herramientas de código abierto ForestMonkey. La investigación se extiende más allá de la energía eólica hacia aplicaciones sanitarias e industriales, demostrando su aplicabilidad intersectorial.
El profundo conocimiento de IA adquirido a través de este programa de investigación orienta directamente el desarrollo de producto de Collabaro, incluyendo la extracción de daños con IA a partir de informes de inspección, integraciones mediante REST API con plataformas especializadas de drones e inspección y un servidor MCP interno utilizado para la investigación y experimentación continuas en IA.
Coescritos por Railston & Co Ltd con el Department of Computer Science y el Department of Physics de Loughborough University.
Journal of Imaging, 2021, 7(3), 46
Compara YOLOv3, YOLOv4 y Mask R-CNN para la detección de daños en palas. Presenta el pipeline IE-MRCNN, que alcanza una precisión media ponderada del 86,74 %, superando a todas las alternativas. Propone tres nuevas medidas de evaluación diseñadas específicamente para la detección de daños. Entrenado con imágenes reales de inspección de palas proporcionadas por Railston & Co.
Journal of Imaging, 2023 (enviado)
Presenta DefChars: 38 características morfológicas que caracterizan los defectos por color, forma y propiedades meta. Alcanza un 80 % de precisión media en cuatro conjuntos de datos, incluyendo daños en palas de aerogenerador, tomografías médicas e imágenes industriales de disipadores térmicos. Demuestra que el enfoque funciona de forma intersectorial.
Ponencia de congreso
Presenta ForestMonkey, un kit de herramientas Python de código abierto que explica por qué un modelo de IA ha realizado sus predicciones. Utiliza árboles de decisión en conjunto y DefChars para generar gráficos visualizados y sugerencias de mejora basadas en texto. Aplicado a cuatro modelos de IA en conjuntos de datos industriales y médicos.
Ponencia de congreso • Financiado por Loughborough University con apoyo industrial de Railston & Co Ltd
Propone el framework AI-Reasoner, un sistema que extrae DefChars de imágenes y utiliza árboles de decisión para razonar sobre las predicciones de IA. Introduce 38 características de defectos que abarcan color, complejidad de forma e información meta. Probado en 366 imágenes de daños en palas de aerogenerador alcanzando un 84,15 % de precisión en detección y un 80,60 % en clasificación.
Los artículos nos aportaron una sólida base técnica. Lo siguiente fue aplicar esos hallazgos a los problemas operativos reales a los que los contratistas de servicios de palas se enfrentan a diario.
Nuestra investigación aplicada nos aportó el conocimiento de dominio necesario para trabajar eficazmente con modelos de lenguaje multimodales desde una etapa temprana. Ese conocimiento acumulado es lo que permite que nuestra capacidad de extracción de daños funcione con cualquier formato de informe — CSV, XLSX, PDF o Word. Independientemente de la plataforma de inspección o del proveedor de drones utilizado, Collabaro puede extraer y estructurar automáticamente datos de daños detallados, eliminando la reintroducción manual, reduciendo errores y acortando de horas a minutos el tiempo necesario para preparar una licitación de proyecto.
Comprender cómo extraer y clasificar datos estructurados de daños nos permitió construir un flujo de trabajo que convierte automáticamente los resultados brutos de inspección en proyectos, trabajos y tareas en Collabaro. Lo que antes exigía que un jefe de proyecto dedicara días a crear manualmente órdenes de trabajo a partir de un informe de inspección ahora puede hacerse en minutos, proporcionando a los contratistas un camino más rápido desde la inspección hasta la movilización.
Board Logging and Automated Data Extraction
Transferir los hallazgos desde las planillas de inspección en papel es una de las tareas más laboriosas del servicio de palas. Collabaro Field permite a los técnicos fotografiar una planilla completada y que los datos se extraigan automáticamente.
Cada dato se devuelve con una puntuación de confianza tipo semáforo, para que los técnicos vean de un vistazo qué entradas revisar y en qué orden. El resultado: menos tiempo con el teléfono en altura, menos errores de transcripción y más tiempo dedicado a la pala.
Nuestra investigación demostró que la IA puede detectar y clasificar daños en palas con alta precisión, y construimos los frameworks para explicar por qué un modelo de IA llega a sus conclusiones. Este es un requisito crítico para industrias críticas para la seguridad como la energía eólica.
Desde entonces, la investigación en IA se ha acelerado a un ritmo que hace inviable para cualquier pequeña empresa construir y mantener modelos de visión personalizados de forma interna. Lo reconocimos pronto. En lugar de intentar competir como empresa de IA, hemos aplicado nuestro profundo conocimiento de la tecnología donde aporta un verdadero valor comercial.
Hoy, las capacidades de IA de Collabaro están integradas directamente en los flujos de trabajo operativos, no añadidas como un módulo separado. Nuestra REST API se integra con plataformas especializadas de drones e inspección como Perceptual Robotics. Y nuestro conocimiento de la caracterización de defectos, alimentado directamente por esta investigación, determina cómo estructuramos, filtramos y presentamos los datos de daños a nuestros usuarios.
La investigación nos ha aportado algo que ningún marketing puede comprar: experiencia genuina en cómo se aplica la IA a la inspección de palas de aerogenerador. Esa experiencia está integrada en cada función que construimos.
Reserve una demo y le mostraremos cómo Collabaro extrae, estructura y actúa sobre los datos de daños en palas.
