Cuando el ojo humano deja de alcanzar: detección de derrames con reconocimiento de patrones en Oil & Gas
¿Eso es una fuga o es una sombra?
Alguien lo preguntó revisando las imágenes que un dron había sacado sobre un tramo de oleoducto. Desde el aire todo parecía en orden, salvo esa mancha que no terminaba de cerrar. Podía ser hidrocarburo filtrándose. O podía ser el reflejo de una nube sobre el suelo. La diferencia entre una cosa y la otra, en esa industria, se mide en millones de dólares y en días de respuesta.
Esa duda, repetida miles de veces a lo largo de un año de operación, fue el punto de partida de este proyecto.
El problema no era la tecnología. Era la escala.
El cliente ya volaba drones sobre sus campos petroleros desde hacía tiempo, para detectar incidentes y vigilar las zonas más sensibles de su infraestructura. La inversión en hardware estaba hecha y funcionaba.
El cuello de botella apareció en otro lado, donde casi nadie mira al principio: en lo que pasa después de que el dron aterriza.
Cada vuelo dejaba horas de video y cientos de imágenes de alta resolución. Una sola campaña de inspección sobre un tramo de oleoducto podía generar más de 2.000 imágenes en una jornada. Y todas terminaban dependiendo de lo mismo: una persona, sentada frente a una pantalla, pasando una imagen tras otra, buscando esa mancha que no cierra.
El método funciona cuando los vuelos son pocos. Pero la operación creció, y el volumen de imágenes empezó a llegar más rápido de lo que cualquier equipo podía revisarlas.
Se acumulaban. Y mientras se acumulaban, el tiempo entre que se capturaba una posible fuga y el momento en que alguien efectivamente la veía se estiraba de horas a días.
Había un problema todavía menos visible. Cuando el monitoreo depende solo del ojo humano, también depende del cansancio, del tiempo disponible y del foco que le queda a esa persona al final del turno.
El revisor número 8 de la jornada no mira igual que el primero. El monitoreo, al final, era tan bueno como el ojo que estuviera de guardia ese día.
En Oil & Gas eso no es un detalle operativo. Un derrame que se detecta tarde es daño ambiental, exposición regulatoria, multas, paradas de producción y un costo de remediación que escala con cada hora que pasa.
La inspección aérea existía justamente para evitar todo eso.
El riesgo era que su propio éxito la volviera inmanejable.
Cambiamos la pregunta
En vez de preguntarnos cómo hacer para revisar más imágenes, empezamos a preguntarnos cómo encontrar antes lo que importaba.
Es un cambio chico en el enunciado y enorme en sus consecuencias: dejás de buscar más manos para mirar pantallas y empezás a buscar la forma de que la pantalla te avise a vos.
La respuesta fue un prototipo basado en reconocimiento de patrones, entrenado para revisar las imágenes de los drones de forma automática y marcar las anomalías compatibles con un posible derrame.
Cómo funciona
El enfoque que tomamos fue entrenar un modelo de detección de objetos sobre imágenes aéreas etiquetadas. En concreto:
Partimos de un dataset de imágenes históricas del propio cliente, donde inspectores con experiencia habían identificado y etiquetado tanto derrames reales como falsos positivos comunes (sombras, manchas de humedad, variaciones de terreno).
Ese trabajo de etiquetado fue clave: un modelo solo es tan bueno como los ejemplos que ve, y en este caso el conocimiento del inspector experimentado se transfirió, imagen por imagen, al modelo.
Sobre esa base entrenamos una arquitectura de detección basada en redes neuronales convolucionales, ajustada para distinguir las firmas visuales de un hidrocarburo sobre distintos tipos de suelo de las anomalías inofensivas que antes obligaban a una segunda mirada humana.
El sistema no reemplaza la decisión final del inspector: la prioriza. En lugar de revisar 2.000 imágenes neutras buscando una excepción, el equipo recibe una lista corta de zonas marcadas, ordenadas por probabilidad, para revisar primero.
Esto último importa más de lo que parece. No construimos algo que decide solo y le pide al humano que confíe a ciegas. Construimos algo que filtra el ruido y le devuelve al inspector su tiempo y su atención para los casos que de verdad lo necesitan.
El modelo se integró al flujo que el cliente ya tenía. Las imágenes que bajan del dron pasan por el sistema antes de llegar al equipo de revisión, y lo que llega a la pantalla ya viene jerarquizado.
Lo que cambió
Lo interesante no fue solo que ganaran velocidad, aunque la ganaron. El monitoreo pudo crecer sin sumar gente a mirar pantallas. Las decisiones se adelantaron. Y el equipo pasó de apagar incendios a verlos venir, que es exactamente lo que una operación de este tipo necesita.
En números:
- +70% de cobertura monitoreada, porque el cuello de botella humano dejó de limitar cuántas imágenes se podían procesar realmente.
- Hasta 60% menos tiempo de procesamiento entre la captura de la imagen y la detección de una anomalía.
Lo que esos porcentajes esconden es un cambio de postura. Una operación que reacciona se mueve después del problema.
Una operación que anticipa se mueve antes.
En un negocio donde un derrame se mide en millones, ese adelanto es toda la diferencia.
Una nota desde hoy
Este proyecto que hicimos hace unos años hoy podría apoyarse herramientas mucho más maduras. Los modelos de visión por computadora se entrenan más rápido y con menos datos etiquetados, la inferencia puede correr on-line (incluso a bordo del propio dron, en vuelo) y lo que antes requería un flujo de datos armado a mano hoy se monta sobre componentes que ya existen.
Si tuviéramos que encarar el mismo problema ahora, el desafío técnico sería menor.
Pero la lección de fondo no cambió, y por eso seguimos volviendo a ella: la tecnología rara vez es el límite. El límite suele estar en cómo una operación procesa lo que ya tiene delante. Lo que sigue dando vueltas en el aire, además de los drones, es esa pregunta.
Cuántos problemas que hoy explotan se podrían frenar si alguien, o algo, los viera a tiempo?
