Detección de abolladuras en vehículos con visión artificial

Proyecto de visión por computador desarrollado por Soamee para un cliente industrial, hoy en producción en líneas de montaje con maquinaria real. Un acuerdo de confidencialidad nos impide nombrar al cliente.

En producción y demo pública

Lo que ves en esta página es una réplica: la hemos entrenado y evaluado con un dataset público. Las pantallas, imágenes y métricas de abajo salen de ahí. El sistema del cliente funciona en producción en líneas de montaje y, por el acuerdo de confidencialidad, no podemos mostrar nada de él.

La precisión de las detecciones del proyecto es del 92 %, y en las pruebas del proyecto los reconocimientos también rondan el 90 %. Estas cifras corresponden al proyecto y no a la evaluación pública que reproduce la demo; no indica el porcentaje de abolladuras encontradas (recall).

Una configuración posible para este tipo de instalación es una estación de inspección de carrocerías con transportador, cámaras industriales e iluminación LED controlada. Es un ejemplo de maquinaria compatible, no la identificación de los equipos del cliente.

Las imágenes son del Minor Dent Detection Dataset, publicado por M. D. Z. Baig y M. Kamal con licencia CC BY 4.0: 2.241 fotos de abolladuras tomadas por los autores en talleres, aparcamientos y calles, la mayoría de granizo.

El reto

Revisar la carrocería de un coche es una tarea que se repite miles de veces al día: el perito de una aseguradora, la devolución de un coche de alquiler, la tasación de un vehículo de ocasión. Casi siempre la hace una persona mirando el coche o unas fotos, y las abolladuras pequeñas son las que más se escapan, porque apenas cambian el reflejo de la chapa.

El objetivo del sistema es localizar cada abolladura en una foto y marcarla con una caja, para que la persona que revisa vaya directa a los daños y no se le pase ninguno.

Cómo lo hemos resuelto

Detector de objetos

Partimos de un Faster R-CNN con MobileNetV3, entrenado de origen en el conjunto COCO, y lo ajustamos con 1.564 fotos de abolladuras. Otras 449 sirven para elegir la mejor versión y el umbral de confianza. Las 224 fotos de test de los autores no se usan hasta la evaluación final.

Varias pasadas por foto

Una abolladura pequeña puede pasar desapercibida en una lectura y aparecer en otra. Por eso cada foto se analiza dos veces, tal cual y volteada, y las cajas de las dos pasadas se fusionan. Solo con este paso, sin reentrenar, el AP50 en test sube de 0,60 a 0,64 y el F1 de 0,64 a 0,69.

Comparación con la realidad

En el inspector cada foto lleva dos marcas: en línea discontinua, la abolladura que marcaron los autores del dataset; en línea continua, la que ha detectado el modelo, con su confianza. Así se ve de un vistazo cuándo acierta, cuándo se le escapa algo y cuándo ve un daño que no existe. El dashboard es una aplicación de peritaje completa sobre las 224 fotos de test: un resumen con lo que hay que revisar primero, el listado de inspecciones con filtros y búsqueda, el detalle de cada foto, la curva de rendimiento del modelo y un ajuste de sensibilidad que recalcula todas las pantallas. Con sensibilidad 0,20 encuentra el 69,7% de las abolladuras con un 58,6% de acierto; con 0,90, el 34,7% con un 85,7% de acierto.

Arquitectura

Resultados de la evaluación pública

Evaluación sobre las 224 fotos de test de los autores, con 346 abolladuras. Una detección cuenta como acierto si se solapa al menos un 50% con la abolladura marcada:

El tamaño marca la diferencia:

Las abolladuras grandes y medianas las encuentra con soltura. Las pequeñas, sobre todo las de granizo en zonas con reflejos, son el punto débil: se le escapa una de cada dos. Es un problema conocido en detección y tiene dos soluciones claras: fotos con más resolución o más cerca del panel, y un modelo más grande entrenado en GPU. Este modelo de la demo se entrenó en un portátil.

Antes de llevarlo a otro entorno

• Fotos del caso de uso real: las de un perito con el móvil no se parecen a las de una cabina de inspección con iluminación controlada. El modelo se ajusta con las fotos que vaya a ver.
• Más tipos de daño: arañazos, pilotos y lunas rotas, pintura saltada. Cada uno necesita sus propios ejemplos etiquetados.
• Integración: con la app de peritación, con el sistema de gestión de flota o con la herramienta que calcula el presupuesto de reparación.

Stack técnico

Fotos: Minor Dent Detection Dataset, M. D. Z. Baig y M. Kamal (2025), doi:10.5281/zenodo.16934368, CC BY 4.0.