Perfil del cliente Nuestro cliente es una startup con sede en Estados Unidos especializada en medición automática de cubiertas para la industria aseguradora. Su actividad principal consiste en ofrecer a aseguradoras dimensiones precisas de techos, distribuciones estructurales y evaluaciones de daños a partir de imágenes de drones. Para aumentar la precisión y reducir el trabajo manual, necesitaban una solución software a medida que reconstruyera automáticamente techos en 3D, extrajera mediciones relevantes y generara planos 2D limpios aptos para sus procesos de suscripción y siniestros.
Retos principales Uno de los problemas clave fue que la reconstrucción fotogramétrica con NodeODM producía mallas 3D extremadamente detalladas, con miles de triángulos minúsculos incluso en superficies planas. Esa sobrefragmentación degradaba el rendimiento y complicaba la segmentación, porque elementos como árboles y hojas presentaban densidades poligonales similares. Al aplicar decimación para simplificar la malla, algunos algoritmos desdibuajaban la geometría: esquinas afiladas se redondeaban y planos de tejado se distorsionaban. La identificación heurística inicial basada en orientación de normales y planaridad resultó insuficiente en muchos casos reales, provocando falsos positivos con vegetación o terreno y la inclusión errónea de muros. Además, algunos modelos llegaron con orientación incorrecta y la detección del plano de suelo falló cuando la mayor superficie horizontal no correspondía al suelo. Complementar la heurística con redes neuronales mejoró el filtro, pero un modelo como MeshCNN, que solo usa características geométricas, a veces excluía zonas válidas en casos visualmente ambiguos. Otro desafío frecuente fue la fusión cromática entre techos y su entorno: techos verdes o cubiertos de musgo se mimetizaban con la vegetación. Finalmente, la geometría resultante después de la segmentación necesitaba correcciones arquitectónicas porque líneas y ángulos quedaban ligeramente desviados, lo que es inaceptable en salidas técnicas para seguros. También se exigía generar múltiples tipos de planos 2D anotados para distintas finalidades dentro del flujo de trabajo de la aseguradora.
Solución aplicada Reconstrucción 3D Empleamos NodeODM para generar una malla 3D de alta resolución a partir de fotografías de vuelo circular o en grid alrededor de cada edificio. Ese modelo conservó detalles finos y permitió identificar planos, cumbreras, pendientes y juntas, diferenciándolos de elementos circundantes.
Simplificación de malla Optimizamos la malla sobredetallada mediante una selección cuidadosa de algoritmos de decimación que redujeron el número de triángulos preservando la geometría de techos. El objetivo fue aligerar el modelo y evitar distorsiones arquitectónicas importantes.
Filtro heurístico de candidatos de techo Aplicamos reglas basadas en vectores normales y ángulos de superficie para prefiltrar zonas plausibles de techo: superficies casi planas se etiquetaron como suelo, planos muy verticales como muros y pendientes moderadas en un rango de ángulos definido se mantuvieron como candidatos a techo. Esta etapa redujo la geometría irrelevante antes del análisis avanzado.
Refinamiento con red neuronal Para aumentar la precisión, integramos un modelo MeshCNN ajustado a un conjunto de datos curado que incluía dormers, techos vegetales y clutter arquitectónico. El modelo, basado en características geométricas como conectividad y curvatura, corrigió muchos errores heurísticos y redujo falsos positivos.
Recuperación basada en color Tras la clasificación geométrica, incorporamos un módulo de análisis cromático que compara histogramas de color de segmentos no clasificados con áreas de techo ya validadas. Si la similitud mediana era alta, el segmento se reincorporaba al techo. Esto resultó clave para recuperar zonas perdidas por ambigüedad geométrica, especialmente en techos con tonalidades distintivas o mezcladas con vegetación.
Ensamblado y optimización del esquema de techo Los segmentos clasificados se agruparon en un diagrama 3D estructurado y estanco. Aplicamos una fase de embellecimiento que alineó aristas, ajustó ángulos cercanos a 90 grados y corrigió pequeñas distorsiones para obtener un modelo arquitectónicamente coherente, apto para medición y generación de planos.
Generación de planos 2D Desde el modelo 3D optimizado se generaron automáticamente varios tipos de planos 2D anotados para análisis asegurador: diagrama de superficies, longitudes de aristas, visualización de pendientes y clasificación de juntas. Los entregables se exportaron en PDFs por capas y formatos compatibles con CAD para integrarse en procesos de underwriting y siniestros.
Características clave 1 Automatización del modelado 3D a partir de imágenes de drones sin etiquetado manual. 2 Mediciones precisas sin visitas al sitio: superficies, longitudes, ángulos de inclinación y juntas estructurales listos para documentación técnica. 3 Segmentación mejorada por IA que combina MeshCNN y refinamiento por color para manejar sombras, solapamiento vegetal y mezcla de colores. 4 Informes de planos personalizables en formatos PDF por capas y archivos CAD. 5 Limpieza arquitectónica automática que ajusta ángulos y alinea bordes para salidas profesionales. 6 Procesamiento por lotes y soporte multi techo para portfolios de aseguradoras y análisis regionales.
Proceso de desarrollo Captura fotográfica con drones Las entradas fueron imágenes georreferenciadas capturadas en patrones circulares o en barrido para asegurar solape y parallax suficientes. Reconstrucción 3D con NodeODM La cadena incluyó emparejado de características, estimación de poses, nube de puntos y superficie, produciendo una malla densa con alta fidelidad geométrica. Simplificación de malla Implementamos un pipeline de decimación con Open3D y rutinas propias evaluando algoritmos como quadric error, colapso de aristas y clustering planar hasta lograr un balance entre reducción y fidelidad estructural. Filtrado heurístico y refinamiento con MeshCNN Posteriormente aplicamos el filtrado angulado y la red neuronal entrenada para corregir errores. Recuperación cromática y ensamblado final El módulo de histogramas de color reintrodujo segmentos válidos y el ensamblado final produjo un modelo 3D limpio, optimizado y estanco, listo para generar planos y métricas.
Resultados e impacto Redujimos el tiempo de procesamiento por propiedad de horas a minutos gracias a la optimización automática y la segmentación. Las mediciones finales alcanzaron un 99 de precisión frente a mediciones de campo dentro de las tolerancias de la industria. La carga de QA manual descendió un 60 y se habilitó el análisis escalable de portfolios para triage de siniestros y evaluaciones de suscripción a gran escala.
Sobre Q2BSTUDIO En Q2BSTUDIO somos una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida, con experiencia en inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Diseñamos soluciones end to end para empresas que requieren modelos IA para empresas, agentes IA, inteligencia de negocio y visualización avanzada con power bi. Nuestro equipo combina experiencia en desarrollo, arquitectura cloud y seguridad para ofrecer productos robustos y escalables. Si busca transformar procesos con IA aplicada y desarrollo personalizado visite nuestra página de inteligencia artificial o conozca nuestros servicios de aplicaciones y software a medida.
Palabras clave aplicadas en este proyecto aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi.
