En el Oak Ridge National Laboratory desarrollaron un algoritmo de aprendizaje profundo que analiza datos de drones, cámaras y sensores para detectar patrones vehiculares inusuales vinculados a actividades ilícitas.

El estudio apareció en Future Transportation. El sistema observa el tráfico cotidiano durante largos periodos y construye una línea base de comportamiento normal, lo que llaman “patrones de vida”.

Con esa base, el software detecta desviaciones. Por ejemplo, si una instalación recibe camiones solo de día y de pronto aumentan visitas nocturnas, el sistema levanta una alerta.

Los algoritmos 

La herramienta mejora una tecnología previa del mismo laboratorio que reconocía vehículos desde vistas laterales. Ahora la red neuronal tiene un alcance mucho más amplio que otros sistemas actuales.

Sally Ghanem, investigadora principal, explica que la mayoría de modelos necesita ángulos específicos del auto. Este no. Puede comparar cualquier vista, desde cualquier distancia, y decidir si es el mismo vehículo.

Así, la parte superior de un camión captada por un dron puede coincidir con una imagen lateral tomada desde tierra. Esa flexibilidad marca una diferencia clara frente a métodos tradicionales.

Para lograr esa precisión, el equipo entrenó el algoritmo con cientos de miles de imágenes públicas de cámaras, sensores terrestres y drones, además de imágenes generadas por computadora.

John Holliman creó modelos digitales 3D de múltiples marcas de autos y camiones. Cambió colores, ángulos e iluminación para simular escenarios variados y ampliar el entrenamiento.

A diferencia de otros conjuntos de datos, incluyeron modelos antiguos. También sumaron grabaciones en seis puntos del campus, donde los vehículos entran y salen por la misma ruta.

Los drones jugaron un papel clave. Pueden rodear un vehículo y variar distancia y altura, lo que permite simular imágenes satelitales o capturas a nivel de carretera.

En una prueba, pilotos elevaron un dron a 80 pies sobre la vía hacia el High Flux Isotope Reactor y siguieron vehículos en curvas para obtener múltiples perspectivas. 

Mejoras 

También grabaron tomas parcialmente ocultas por árboles o señales, e imágenes borrosas por interferencias. Cuantas más imágenes de baja resolución incluyeron, más sólido se volvió el modelo.

Las fotos nocturnas y poco claras entrenaron al sistema para identificar vehículos incluso con visibilidad limitada, como ocurre en algunas imágenes satelitales.

Para evitar sesgos, eliminaron imágenes repetitivas del mismo ángulo o tipo de auto. Además, entrenaron al algoritmo con coincidencias correctas e incorrectas deliberadamente.

Tras el entrenamiento, probaron 10.000 pares de imágenes, mitad correctas y mitad erróneas. El sistema superó el 97% de precisión.

El objetivo principal es apoyar la no proliferación nuclear, detectando posibles envíos sospechosos. Pero también puede rastrear vehículos con calcomanías o abolladuras, e incluso adaptarse a barcos y aviones.