Les ebullicions de sorra representen un dels defectes més crítics en la seguretat de dics i terraplens. Aquests fenòmens, que indiquen filtracions subterrànies, poden progressar ràpidament fins a provocar fallades catastròfiques si no es detecten a temps. La inspecció visual tradicional requereix personal especialitzat i llargues hores de recorregut, amb una taxa de detecció limitada. Els sistemes automatitzats basats en visió per ordinador prometen major eficiència, però s'enfronten a un obstacle clau: l'escassetat d'imatges etiquetades a nivell de píxel. Anotar cada forat de sorra manualment és inviable a gran escala. En aquest context, la generació de dades sintètiques mitjançant models de difusió multicondicionada emergeix com una solució innovadora que permet entrenar models de segmentació sense necessitat de milers d'anotacions reals.
Q2BSTUDIO, empresa especialitzada en desenvolupament de programari a mida i consultoria tecnològica, aborda aquest repte combinant intel·ligència artificial, computació al núvol i ciberseguretat. La companyia ofereix solucions personalitzades que integren pipelines de síntesi d'imatges com el descrit, adaptats a les necessitats d'infraestructures crítiques. Gràcies a la seva experiència en serveis cloud AWS/Azure, és possible escalar l'entrenament de models de difusió i desplegar sistemes d'inferència en temps real sobre grans extensions de dics.
L'enfocament de difusió multicondicionada es recolza en arquitectures com Stable Diffusion XL, ajustades amb DreamBooth per aprendre l'aparença específica de les ebullicions de sorra a partir d'un conjunt reduït d'imatges reals. Un apilament de múltiples ControlNet permet condicionar el procés de generació amb diferents senyals: mapes de vores, profunditat o màscares de segmentació. Això atorga un control precís sobre la forma i ubicació del defecte sintètic. Per garantir la coherència visual, s'empra un protocol d'inpainting amb màscara suau que preserva els píxels reals del defecte mentre regenera l'entorn, eliminant els artefactes típics de mètodes anteriors com el clonatge sense costures.
Un aspecte diferenciador és l'ús d'un Prompt Atlas basat en taxonomies. Aquest catàleg de descripcions textuals es genera automàticament a partir d'una especificació de domini i es valida mitjançant CLIP per assegurar que els prompts siguin semànticament rellevants. El sistema pot transferir-se a noves classes de defectes sense modificar el codi, simplement actualitzant la taxonomia. Aquesta flexibilitat és clau per a empreses com Q2BSTUDIO, que desenvolupen agents d'IA capaços d'adaptar-se a diferents tipus d'anomalies en infraestructures.
Després de generar 1.020 candidats sintètics, un filtre d'admissibilitat basat en CLIP selecciona 815 imatges d'alta qualitat. L'avaluació d'aquestes imatges mitjançant mètriques de distribució, fidelitat i diversitat enfront del conjunt real mostra que no existeix un únic ajust òptim: cada configuració intercanvia fidelitat, diversitat i fiabilitat de l'etiqueta. Per això, es recomana una barreja curada de configuracions com a conjunt d'augment natural, prioritzant aquelles que garanteixen la procedència de l'etiqueta. El codi i un manifest d'artefactes es publiquen per assegurar la reproducibilitat, un principi que Q2BSTUDIO aplica en tots els seus desenvolupaments de programari a mida.
L'aplicació d'aquesta tecnologia va més enllà dels dics. Pot estendre's a la detecció d'altres defectes en infraestructures civils (esquerdes, corrosió, filtracions), així com a la inspecció industrial o agrícola. La capacitat de generar dades etiquetades de forma automàtica redueix dràsticament els costos d'anotació i accelera el desplegament de sistemes de visió artificial. Q2BSTUDIO integra aquests pipelines en plataformes cloud, oferint panells de Business Intelligence (Power BI) que visualitzen l'estat dels actius en temps real i alerten davant anomalies. A més, la ciberseguretat és present a cada capa, des de la protecció de les dades d'entrenament fins a l'autenticació dels models desplegats.
El procés de síntesi comença amb la selecció d'un petit conjunt d'imatges reals d'ebullicions de sorra, capturades per drons o càmeres fixes. Aquestes imatges s'utilitzen per afinar un model preentrenat de Stable Diffusion XL mitjançant la tècnica DreamBooth, que permet personalitzar el model perquè generi imatges amb la textura i coloració característiques del defecte. Simultàniament, s'entrena un stack de ControlNet amb diferents modalitats d'entrada: detecció de vores (Canny), mapes de profunditat (Midas) i màscares de segmentació. Durant la inferència, l'usuari pot dibuixar una màscara aproximada sobre una imatge base, i el model genera una ebullició de sorra realista dins d'aquesta regió, mentre que la resta de la imatge es manté intacta gràcies a l'inpainting amb màscara suau.
La màscara suau no és binària sinó que assigna pesos progressius des del centre del defecte cap a les vores, la qual cosa facilita una transició suau entre els píxels sintètics i els reals. Aquest enfocament elimina els talls abruptes i les diferències de color que solen aparèixer en mètodes de composició basats en clonatge. A més, la mateixa màscara pot emprar-se com a etiqueta de segmentació, generant així el ground truth de forma automàtica. No obstant això, la fiabilitat d'aquestes etiquetes depèn de la qualitat de la màscara introduïda; per això, el sistema permet optar per una preselecció de màscares suaus que garanteixen una alta precisió en l'anotació.
Per diversificar les condicions de generació, s'utilitza un Prompt Atlas estructurat en taxonomies. Per exemple, la taxonomia pot incloure categories com 'tipus de dic', 'vegetació circumdant', 'hora del dia', 'condicions climàtiques' o 'angle de càmera'. Cada combinació produeix un prompt específic que el model interpreta. CLIP avalua la coherència entre el prompt i la imatge generada, filtrant aquelles que no compleixen el llindar semàntic. Aquest procés és completament automàtic i pot executar-se al núvol d'AWS o Azure, aprofitant instàncies GPU per accelerar la generació. Q2BSTUDIO desplega aquests workflows utilitzant serveis com AWS SageMaker o Azure Machine Learning, integrats amb pipelines de CI/CD per garantir la reproducibilitat.
Des del punt de vista empresarial, la capacitat de generar grans volums de dades sintètiques etiquetades té un impacte directe en el cost i temps de desenvolupament de sistemes de visió. En lloc d'invertir mesos en campanyes d'anotació manual, les organitzacions poden obtenir en dies un conjunt de dades robust que cobreixi una àmplia varietat d'escenaris. Q2BSTUDIO ofereix serveis de consultoria per ajudar les empreses a definir les taxonomies adequades, seleccionar els models base i optimitzar els hiperparàmetres de generació. A més, l'empresa integra aquests sistemes amb panells de Business Intelligence (Power BI) que permeten als gestors d'infraestructures visualitzar la distribució de defectes, tendències temporals i nivells de risc, tot des d'una única plataforma.
La ciberseguretat no és un afegit, sinó un pilar fonamental. Les dades d'infraestructures crítiques són sensibles i s'han de protegir contra accessos no autoritzats, manipulacions o fuites. Q2BSTUDIO implementa mesures de seguretat en totes les fases: xifrat de dades en repòs i en trànsit, control d'accés basat en rols, registre d'auditoria i proves de penetració periòdiques. Per als models d'IA, s'apliquen tècniques d'adversarial robustness i verificació d'integritat. Tot això garanteix que les solucions desplegades compleixin amb els estàndards de la indústria i regulacions com GDPR o NIST.
En resum, la combinació de difusió multicondicionada, infraestructura cloud, agents d'IA i ciberseguretat ofereix un ecosistema complet per a la detecció primerenca d'ebullicions de sorra i altres defectes en dics. Q2BSTUDIO, amb la seva experiència en desenvolupament de programari a mida, està preparada per acompanyar les empreses a cada pas del camí, des de la conceptualització fins a l'operació contínua. El seu enfocament modular permet adaptar la solució a les necessitats específiques de cada client, ja sigui una autoritat portuària, una empresa de gestió de recursos hídrics o una firma d'enginyeria civil.
