La disponibilidad limitada de imágenes reales de anomalías poco frecuentes supone uno de los principales retos en el desarrollo de modelos de inteligencia artificial aplicados a la inspección de infraestructuras eléctricas. Para dar respuesta a esta necesidad, Elewit ha impulsado, junto a Red Eléctrica y en colaboración con Unusuals, un proyecto basado en la generación de imágenes sintéticas que permite reforzar y robustecer los modelos de detección de anomalías visuales en la Red de Transporte.
En el ámbito del mantenimiento de infraestructuras de alta tensión, la detección temprana de estas anomalías resulta clave para garantizar la fiabilidad del sistema. Sin embargo, muchas de estas incidencias presentan una baja frecuencia de aparición, lo que dificulta la recopilación de datos reales suficientes para entrenar modelos de inteligencia artificial con un nivel adecuado de precisión.
Para superar esta limitación, el proyecto plantea el uso de imágenes sintéticas como complemento a los datos reales. A través de tecnologías avanzadas de generación y simulación, desarrolladas en colaboración con Unusuals, es posible recrear de forma realista múltiples escenarios operativos y tipologías de fallo, generando datasets más amplios, equilibrados y controlados.
Este enfoque permite reproducir situaciones complejas o poco habituales, así como introducir variaciones en condiciones de iluminación y ángulos de captura. Además, posibilita la generación completa de determinadas anomalías en entornos simulados, ampliando significativamente el alcance de los modelos de detección.
La integración de imágenes sintéticas en el entrenamiento de los modelos de inteligencia artificial ha permitido mejorar de forma transversal su rendimiento. Entre los avances más relevantes destacan la mejora de métricas clave como la precisión o el recall, la reducción de falsos positivos y el desarrollo de modelos más robustos, rápidos y con mayor capacidad de generalización.
Asimismo, el proyecto ha facilitado el desarrollo de modelos híbridos que combinan datos reales y sintéticos. Este enfoque ha permitido abordar casos de uso que anteriormente no podían desarrollarse por la falta de información disponible, así como avanzar en la detección de anomalías específicas como contrapesos oxidados, empalmes agrietados, cadenas desaplomadas o separadores deteriorados, entre otras.
En determinados casos, incluso se ha logrado generar y entrenar modelos completos a partir de anomalías desarrolladas íntegramente en entornos sintéticos, alcanzando niveles de precisión adecuados para su aplicación en entornos operativos.
En conjunto, el proyecto demuestra el valor de las imágenes sintéticas como palanca para impulsar la digitalización del mantenimiento de infraestructuras críticas. Su aplicación permite ampliar la capacidad de análisis, mejorar la toma de decisiones y avanzar hacia modelos predictivos más completos y escalables, sin depender exclusivamente de la ocurrencia real de incidencias en campo.
Este trabajo se enmarca en las iniciativas desarrolladas en 2025 entre Elewit y las direcciones de Transporte y Operación, orientadas a incorporar la innovación tecnológica en la gestión de la Red de Transporte.