La filial tecnológica del Grupo Red Eléctrica, Elewit, en colaboración con Unusuals, ha impulsado un proyecto de generación de imágenes sintéticas para mejorar los modelos de inteligencia artificial aplicados a la detección de anomalías visuales en infraestructuras de alta tensión de la red de transporte de electricidad. La iniciativa busca compensar la escasez de imágenes reales de incidencias poco frecuentes, una limitación que dificulta el entrenamiento de sistemas con suficiente precisión.
En el mantenimiento de infraestructuras eléctricas críticas, la identificación temprana de anomalías es un factor relevante para la fiabilidad del sistema. Sin embargo, muchas incidencias aparecen con baja frecuencia en campo, lo que reduce la disponibilidad de datos reales y limita la capacidad de los modelos de inteligencia artificial para reconocer determinados fallos.
Entrenar modelos de detección de anomalías
El proyecto plantea el uso de imágenes sintéticas como complemento de los datos reales disponibles. Mediante tecnologías avanzadas de generación y simulación desarrolladas con Unusuals, se recrean escenarios operativos y tipologías de fallo de forma realista, con el objetivo de construir conjuntos de datos más amplios, equilibrados y controlados.
Este enfoque permite reproducir situaciones complejas o poco habituales en las infraestructuras de alta tensión. También facilita la introducción de variaciones en las condiciones de iluminación y en los ángulos de captura, dos factores que influyen en el rendimiento de los sistemas de visión artificial durante la inspección.
La simulación permite además generar de forma completa determinadas anomalías en entornos sintéticos. Con ello se amplía el alcance de los modelos de detección, al incorporar casos que difícilmente podrían reunirse en volumen suficiente mediante observaciones reales en campo.
Modelos híbridos con datos reales y sintéticos
La integración de imágenes sintéticas en el entrenamiento ha permitido mejorar de manera transversal el rendimiento de los modelos de inteligencia artificial. Entre los avances señalados figuran la mejora de métricas como la precisión y el recall, la reducción de falsos positivos y el desarrollo de modelos más robustos, rápidos y con mayor capacidad de generalización.
El trabajo también ha facilitado el desarrollo de modelos híbridos que combinan datos reales y datos sintéticos. Esta línea ha permitido abordar casos de uso que antes no podían desarrollarse por falta de información suficiente, así como avanzar en la detección de anomalías concretas como contrapesos oxidados, empalmes agrietados, cadenas desaplomadas o separadores deteriorados, entre otras.
En determinados supuestos, el proyecto ha conseguido generar y entrenar modelos completos a partir de anomalías creadas íntegramente en entornos sintéticos. Estos modelos han alcanzado niveles de precisión considerados adecuados para su aplicación en entornos operativos.
La iniciativa sitúa las imágenes sintéticas como una herramienta para ampliar la capacidad de análisis en el mantenimiento de infraestructuras críticas y reducir la dependencia exclusiva de la aparición real de incidencias en campo. El proyecto se enmarca en las actuaciones desarrolladas en 2025 entre Elewit y las direcciones de Transporte y Operación, orientadas a incorporar innovación tecnológica en la gestión de la red de transporte.