Visión artificial para una construcción más inteligente
La visión artificial permite analizar imágenes de obras para detectar objetos, daños y riesgos. Analizamos sus aplicaciones, límites y futuro.
La visión artificial y el deep learning permiten transformar imágenes y vídeos de construcción en datos sobre objetos, seguridad, daños, calidad y productividad. Analizamos una revisión de 144 investigaciones y exploramos cómo esta tecnología puede integrarse con BIM, IoT, drones, gemelos digitales, Edge AI y robótica.
Cuando las máquinas empiezan a ver la obra: visión artificial para una construcción más inteligente
Una obra produce continuamente información visual.
Personas desplazándose.
Maquinaria trabajando.
Materiales almacenados.
Elementos que se construyen progresivamente.
Equipos de protección.
Fisuras.
Defectos.
Cambios respecto al proyecto.
Situaciones potencialmente peligrosas.
Tradicionalmente, interpretar toda esta información ha dependido fundamentalmente de la observación humana.
Pero ¿qué ocurre cuando una máquina empieza también a ser capaz de analizar lo que sucede en una obra?
Esta pregunta nos introduce en una de las aplicaciones más prometedoras de la inteligencia artificial para el entorno construido:
la visión artificial.
Cámaras convencionales, teléfonos móviles, drones y otros dispositivos pueden producir imágenes y vídeo. Los modelos de inteligencia artificial pueden procesarlos para localizar objetos, reconocer determinadas situaciones, segmentar imágenes, identificar defectos o seguir la evolución de ciertos elementos.
No significa que una máquina «vea» una obra como la ve un arquitecto, un ingeniero o un jefe de obra.
Significa algo más preciso:
podemos desarrollar sistemas capaces de extraer automáticamente determinada información de las imágenes.
Una revisión publicada en 2025 en Frontiers in Built Environment, titulada Deep learning-enabled visual computing in construction: application and digital technology integration, permite conocer hasta dónde ha llegado esta tecnología.
Los investigadores analizaron 144 publicaciones científicas y estudiaron tanto las aplicaciones de la visión computacional basada en deep learning como su integración con otras tecnologías digitales. Frontiers
Los resultados muestran que estamos ante algo bastante más amplio que detectar si un trabajador lleva casco.
La visión artificial empieza a utilizarse para:
detectar objetos;
mejorar la seguridad;
identificar daños;
controlar calidad;
y
analizar productividad.
Y cuando la conectamos con BIM, drones, sensores, IoT, gemelos digitales o robótica aparece una posibilidad todavía más interesante:
convertir progresivamente la obra física en un entorno observable mediante datos.
En 30 segundos
La investigación revisa 144 artículos científicos sobre deep learning aplicado a computación visual en construcción mediante una metodología basada en PRISMA-ScR.
Los trabajos analizados se concentran en cinco grandes ámbitos:
33 % — detección de objetos
28 % — seguridad en construcción
22 % — detección de daños
9 % — control de calidad
8 % — análisis de productividad
Entre las arquitecturas de inteligencia artificial utilizadas aparecen CNN y modelos derivados o relacionados como YOLO, R-CNN, Faster R-CNN, Mask R-CNN, SSD, U-Net y VGG. Frontiers
Pero quizá la conclusión más interesante de la revisión no esté en un algoritmo concreto.
Los investigadores encuentran una creciente integración de la visión artificial con:
BIM;
gemelos digitales;
drones;
LiDAR;
Internet de las Cosas;
robótica;
vehículos terrestres autónomos;
y otras tecnologías digitales. Frontiers
La visión artificial podría convertirse así en uno de los mecanismos mediante los cuales el edificio y la obra física generan información automáticamente interpretable por sistemas digitales.
Primero: ¿qué significa realmente que una máquina «vea»?
Una cámara no entiende lo que observa.
Captura información visual.
El verdadero cambio aparece cuando un algoritmo transforma esa información en datos que pueden ser procesados.
Imaginemos una fotografía de una obra.
Para una persona pueden resultar evidentes:
los trabajadores;
la maquinaria;
los pilares;
los materiales;
los equipos de protección;
las zonas de paso.
Para un ordenador, inicialmente, la imagen es fundamentalmente una matriz de valores numéricos.
La visión artificial intenta transformar esos valores en información interpretable.
Dependiendo del problema, podemos pedir al sistema cosas diferentes.
Clasificación
Responder a una pregunta sobre la imagen completa.
Por ejemplo:
¿aparece una fisura en esta fotografía?
Detección de objetos
Localizar determinados elementos.
Por ejemplo:
¿dónde están los trabajadores?
¿dónde está la maquinaria?
¿dónde aparecen los cascos?
El resultado puede representarse mediante cajas delimitadoras alrededor de los objetos detectados.
Segmentación
Clasificar los píxeles de una imagen.
Esto permite delimitar con mayor precisión:
una grieta;
una zona deteriorada;
un componente;
una superficie;
o determinadas áreas de la escena.
Seguimiento
Cuando trabajamos con vídeo, podemos intentar seguir objetos a lo largo del tiempo.
Por ejemplo:
¿por dónde se desplaza una persona?
¿cómo se mueve una máquina?
¿cuánto tiempo permanece un elemento en determinada zona?
Cada una de estas tareas transforma la imagen en un tipo diferente de dato.
Y esa transformación es la verdadera clave.
Del píxel al dato
Este cambio puede parecer técnico, pero tiene consecuencias profundas.
Una fotografía convencional sirve fundamentalmente para ser observada.
Una fotografía procesada mediante visión artificial puede convertirse en:
número de trabajadores;
posición de maquinaria;
presencia de determinados elementos;
área afectada por un defecto;
trayectoria de movimiento;
porcentaje de avance;
distancias entre objetos;
situaciones potencialmente anómalas.
La imagen deja de ser únicamente documentación.
Empieza a convertirse en una fuente estructurada de datos.
Y aquí encontramos la conexión entre las dos grandes áreas que estamos desarrollando en Arquitectura.Tech:
Inteligencia Artificial + Ciencia de Datos.
La visión artificial extrae información.
La Ciencia de Datos permite almacenarla, combinarla, analizarla y estudiar su evolución.
¿Para qué se está utilizando en construcción?
La revisión proporciona una imagen bastante clara de las prioridades actuales.
1. Detección de objetos: 33 %
Es la categoría más numerosa.
Detectar automáticamente objetos constituye una capacidad básica porque numerosas aplicaciones posteriores dependen de ella.
Podemos intentar identificar:
personas;
vehículos;
maquinaria;
equipos;
materiales;
componentes constructivos;
equipos de protección.
Modelos como YOLO permiten localizar diferentes objetos dentro de una misma imagen.
El resultado ya no es simplemente:
hay un trabajador.
Puede ser:
hay cuatro trabajadores y están en estas posiciones de la imagen.
Esto permite desarrollar aplicaciones mucho más complejas.
2. Seguridad en construcción: 28 %
Es la segunda gran área identificada por la revisión.
Las obras son entornos dinámicos.
Personas y maquinaria comparten espacio.
Las condiciones cambian continuamente.
Y numerosas situaciones de riesgo pueden presentar componentes visuales.
Por ello se investiga la utilización de visión artificial para detectar, entre otras cuestiones:
equipos de protección;
proximidad entre personas y maquinaria;
situaciones de caída;
zonas peligrosas;
determinados comportamientos;
o incumplimientos de procedimientos de seguridad.
Una revisión específica publicada en Automation in Construction en 2024 analizó 153 estudios sobre aplicaciones de IA para seguridad en construcción utilizando información textual, visual y acústica. Sus autores señalan precisamente el creciente papel de estas tecnologías, aunque también identifican importantes desafíos para su integración real. ScienceDirect
Aquí debemos introducir una distinción fundamental:
detectar una situación visualmente no equivale a comprender completamente el riesgo.
Un casco puede detectarse.
Pero la seguridad de una operación puede depender además de:
procedimientos;
estado de la maquinaria;
formación;
condiciones ambientales;
organización del trabajo;
y contexto.
Por tanto, la visión artificial debe entenderse como una fuente adicional de información para la seguridad, no como sustituto automático del profesional responsable.
3. Detección de daños: 22 %
Esta es probablemente una de las áreas con mayor recorrido más allá de la propia construcción.
Las imágenes pueden utilizarse para detectar determinados defectos o daños en:
hormigón;
carreteras;
puentes;
fachadas;
túneles;
otras infraestructuras.
Una fisura que anteriormente debía identificarse exclusivamente mediante inspección visual puede convertirse en un problema de visión artificial.
El proceso simplificado sería:
capturar → localizar → clasificar → cuantificar → registrar.
Si repetimos las inspecciones periódicamente aparece una posibilidad todavía más interesante:
estudiar la evolución temporal del defecto.
No solamente:
existe una fisura.
Sino:
¿ha cambiado desde la última inspección?
Aquí la visión artificial empieza a conectarse con el mantenimiento predictivo y con la monitorización de la salud estructural.
La investigación reciente sobre detección automática de defectos muestra, sin embargo, que llevar estos modelos al mundo real exige resolver problemas como cambios de iluminación, fondos complejos, diversidad de defectos, necesidad de modelos suficientemente ligeros y robustez frente a condiciones ambientales diferentes. ScienceDirect
4. Control de calidad: 9 %
Construir correctamente implica comprobar que lo ejecutado corresponde con lo previsto.
Aquí la visión artificial puede ayudar a comparar:
lo proyectado
con
lo construido.
Por ejemplo, determinadas técnicas permiten analizar imágenes de obra para comprobar presencia, posición o características de componentes.
Cuando esta información se conecta con BIM aparece una combinación especialmente poderosa:
BIM describe lo que debería existir.
La visión artificial observa lo que parece existir.
La comparación entre ambos mundos puede ayudar a detectar discrepancias.
Esto nos acerca a uno de los grandes objetivos de la digitalización de la construcción:
conectar continuamente modelo digital y realidad física.
5. Análisis de productividad: 8 %
Es la categoría menos representada entre las cinco principales identificadas por la revisión, pero resulta especialmente interesante.
Si un sistema puede detectar y seguir:
trabajadores;
equipos;
materiales;
y determinadas actividades,
podemos comenzar a obtener información sobre la evolución de los procesos constructivos.
Por ejemplo:
duraciones;
secuencias;
utilización de maquinaria;
movimientos;
avance de determinadas actividades.
Pero este ámbito exige especial cautela.
Porque observar procesos no es lo mismo que convertir trabajadores en métricas.
La utilización de visión artificial para analizar actividad humana introduce inmediatamente cuestiones de:
privacidad;
protección de datos;
proporcionalidad;
transparencia;
y
gobernanza.
La posibilidad técnica de medir algo no significa automáticamente que debamos medirlo.
¿Por qué el deep learning cambió la visión artificial?
Antes del auge del aprendizaje profundo, numerosos sistemas de visión artificial dependían de características diseñadas manualmente.
El especialista debía definir qué rasgos de la imagen eran relevantes.
Bordes.
Texturas.
Formas.
Contrastes.
Patrones geométricos.
Las redes neuronales profundas permiten aprender representaciones directamente a partir de grandes cantidades de ejemplos.
Las Convolutional Neural Networks —CNN— han sido especialmente importantes en esta transformación.
En lugar de programar manualmente todas las características necesarias para reconocer un objeto, el modelo aprende patrones jerárquicos a partir de las imágenes utilizadas durante el entrenamiento.
La revisión encuentra una presencia destacada de arquitecturas como:
YOLO;
R-CNN;
Faster R-CNN;
Mask R-CNN;
SSD;
U-Net;
VGG.
No existe, sin embargo, un «mejor modelo» universal.
La elección depende del problema.
Detectar rápidamente maquinaria en vídeo no plantea exactamente los mismos requisitos que segmentar con precisión una fisura milimétrica.
El verdadero problema: los datos
Aquí reaparece una enseñanza que ya vimos en nuestro artículo anterior sobre predicción energética.
Podemos disponer de algoritmos extraordinariamente sofisticados.
Pero necesitamos datos adecuados.
Para entrenar un detector de cascos, necesitamos imágenes representativas de personas:
con diferentes posturas;
distancias;
ángulos;
iluminaciones;
tipos de casco;
oclusiones;
fondos;
condiciones meteorológicas.
Un modelo entrenado únicamente con fotografías limpias y perfectamente iluminadas puede fallar cuando llega a una obra real.
Polvo.
Sombras.
Lluvia.
Movimiento.
Elementos parcialmente ocultos.
Cámaras situadas en posiciones diferentes.
La obra es precisamente un entorno visual extraordinariamente complejo.
Por eso uno de los grandes retos identificados por la literatura es la generalización.
Un modelo que funciona bien con el conjunto de datos utilizado para desarrollarlo no necesariamente funcionará igual en otra obra.
Un 95 % de precisión puede no ser suficiente
Existe además un problema importante con las métricas.
Imaginemos un modelo que obtiene una precisión del 95 %.
Puede parecer excelente.
Pero debemos preguntar:
¿qué contiene ese 5 % de errores?
Si son objetos irrelevantes, quizá el impacto sea pequeño.
Si el sistema no detecta a una persona situada en una zona de riesgo, la situación cambia completamente.
En aplicaciones relacionadas con seguridad, no basta con presentar una cifra global.
Necesitamos estudiar:
falsos positivos;
falsos negativos;
condiciones de fallo;
incertidumbre;
robustez;
y consecuencias del error.
La pregunta profesional no debería ser solamente:
¿qué precisión tiene el modelo?
Sino:
¿qué ocurre cuando se equivoca?
Cámara + IA no es todavía un sistema inteligente de construcción
Otro error frecuente consiste en pensar que instalar cámaras y ejecutar un modelo de visión artificial convierte automáticamente una obra en «inteligente».
No es así.
La información detectada necesita integrarse dentro de un proceso.
Por ejemplo:
cámara
↓
detección
↓
clasificación
↓
registro
↓
contextualización
↓
decisión
↓
acción
Si detectamos una situación potencialmente peligrosa pero nadie recibe la información adecuada en el momento adecuado, el valor del sistema será limitado.
La inteligencia no reside únicamente en el algoritmo.
Reside en todo el sistema de información y decisión.
Visión artificial + BIM
Esta combinación merece especial atención para Arquitectura.Tech.
BIM contiene una representación estructurada del proyecto.
La visión artificial obtiene información procedente del mundo físico.
Conectar ambas capas permite imaginar procesos como:
modelo BIM
↓
estado esperado
↕
visión artificial
↓
estado observado
La diferencia entre ambos puede utilizarse para identificar determinadas desviaciones.
Esto puede ayudar en:
seguimiento de avance;
control de calidad;
verificación de elementos;
documentación;
actualización del estado del proyecto.
El interés no reside únicamente en automatizar una inspección.
Consiste en empezar a construir un bucle de información entre modelo y realidad.
Visión artificial + drones
Los drones permiten capturar grandes cantidades de información visual desde perspectivas que pueden resultar difíciles de obtener manualmente.
Combinados con visión artificial pueden utilizarse para inspeccionar:
cubiertas;
fachadas;
infraestructuras;
grandes obras;
zonas de difícil acceso.
La revisión de Perera y colaboradores incluye precisamente los vehículos aéreos no tripulados entre las tecnologías que empiezan a integrarse con computación visual basada en deep learning. Frontiers
El dron proporciona movilidad.
La cámara proporciona imágenes.
La IA proporciona interpretación automatizada.
Y los sistemas geoespaciales pueden añadir localización.
Visión artificial + IoT
Un sensor convencional puede informarnos de que:
temperatura = 27,3 °C.
Una cámara puede proporcionar una escena completa.
La visión artificial puede transformar parte de esa escena en variables.
Por ejemplo:
ocupación estimada = 14 personas.
vehículos detectados = 3.
equipo presente = sí.
defecto identificado = posible.
La cámara puede convertirse así, con las debidas cautelas, en una especie de sensor complejo.
Esto permite conectar visión artificial con plataformas IoT.
Y abre la puerta a sistemas capaces de combinar simultáneamente:
datos ambientales;
datos energéticos;
datos visuales;
datos de ocupación;
datos de maquinaria.
Visión artificial + gemelo digital
Aquí aparece una de las combinaciones más interesantes.
Un gemelo digital pretende mantener una representación digital conectada con el estado de un sistema físico.
Pero para ello necesita información actualizada.
Los sensores proporcionan una parte.
La visión artificial puede proporcionar otra.
Imaginemos un activo físico:
mundo real
↓
sensores + cámaras
↓
IoT + visión artificial
↓
datos
↓
gemelo digital
↓
análisis
↓
decisión
↓
mundo real.
La revisión identifica precisamente los gemelos digitales como una de las tecnologías con las que empieza a integrarse la computación visual basada en deep learning. Frontiers
Esto conecta directamente con una de las grandes líneas que debemos seguir explorando en Arquitectura.Tech.
Visión artificial + robótica
La visión artificial también es fundamental para las máquinas que deben actuar físicamente.
Un robot necesita información sobre su entorno.
Debe identificar objetos.
Localizarse.
Reconocer obstáculos.
Interpretar determinadas características.
La revisión analiza la integración de visión artificial con Automatic Construction Robotics y Unmanned Ground Vehicles. Frontiers
Esto nos lleva hacia un territorio que probablemente adquirirá una importancia creciente:
IA física aplicada a construcción.
Cuando la IA deja de limitarse a procesar documentos o imágenes y empieza a controlar máquinas capaces de actuar en el entorno físico, los requisitos de seguridad, fiabilidad y percepción aumentan considerablemente.
Edge AI: llevar la inteligencia a la propia obra
Enviar continuamente vídeo a servidores remotos puede generar problemas de:
latencia;
ancho de banda;
coste;
privacidad;
dependencia de conectividad.
Una alternativa consiste en ejecutar parte de la inteligencia artificial cerca de donde se generan los datos.
Es lo que conocemos como Edge AI.
Una cámara inteligente o un pequeño dispositivo situado en la obra podría procesar imágenes localmente y transmitir únicamente:
una alerta;
una detección;
una métrica;
o determinados metadatos.
La revisión identifica precisamente edge computing como una de las direcciones relevantes para futuras investigaciones. Frontiers
Para construcción puede resultar especialmente importante porque el entorno físico exige, en determinadas aplicaciones, respuestas rápidas y sistemas robustos.
Pero una cámara inteligente también puede convertirse en vigilancia
No podemos hablar seriamente de visión artificial sin abordar este problema.
Una cámara que detecta maquinaria puede detectar personas.
Un sistema que analiza seguridad puede acabar analizando productividad individual.
Un sistema que sigue trayectorias puede reconstruir comportamientos.
Por tanto, el desarrollo tecnológico debe ir acompañado de preguntas igualmente importantes:
¿qué datos necesitamos realmente?
¿durante cuánto tiempo se almacenan?
¿quién puede acceder a ellos?
¿necesitamos identificar personas?
¿podemos procesar la información localmente?
¿podemos anonimizarla?
¿es proporcional el sistema respecto al objetivo perseguido?
La propia revisión señala la privacidad, las consideraciones éticas y las técnicas de visión preservadoras de privacidad entre los retos y direcciones futuras del campo. Frontiers
La buena visión artificial no debería consistir en verlo todo.
Debería consistir en extraer únicamente la información necesaria para resolver un problema legítimo.
Lo que la investigación no demuestra
Debemos mantener aquí el mismo criterio crítico utilizado en los artículos anteriores.
Estamos ante una revisión de literatura, no ante un único experimento industrial.
Los autores analizan 144 trabajos y permiten identificar tendencias, aplicaciones, algoritmos e integraciones tecnológicas. Frontiers
Pero esto no significa que todas esas tecnologías estén desplegadas de manera generalizada en obras reales.
Tampoco significa que un porcentaje elevado de precisión obtenido sobre un conjunto de datos vaya a mantenerse automáticamente:
en otra obra;
con otras cámaras;
con otra iluminación;
en otro país;
con otros trabajadores;
o bajo otras condiciones meteorológicas.
Los propios investigadores identifican problemas pendientes relacionados con:
escalabilidad en condiciones reales;
calidad de los datos;
privacidad;
consideraciones éticas;
explicabilidad;
y
capacidad de llevar los modelos desde investigación hasta aplicaciones reales. Frontiers
Esta diferencia es fundamental.
Un modelo que funciona en un paper no es todavía un sistema preparado para una obra.
La lectura de Arquitectura.Tech
Este sexto artículo permite añadir una pieza importante al mapa que estamos construyendo.
En los primeros artículos estudiamos IA generativa y agentes.
Después introdujimos Ciencia de Datos y predicción energética.
Ahora incorporamos percepción.
Y percepción es una capacidad fundamental.
Podemos empezar a organizar las tecnologías del entorno construido mediante una secuencia:
observar
↓
convertir observaciones en datos
↓
analizar
↓
predecir
↓
decidir
↓
actuar
La visión artificial trabaja fundamentalmente en las primeras etapas.
Los modelos predictivos que analizamos en el artículo anterior trabajan en las siguientes.
Los agentes de IA pueden ayudar a coordinar decisiones.
La robótica puede permitir actuar físicamente.
De repente, áreas que parecían independientes empiezan a formar parte de un mismo sistema.
Visión artificial + Ciencia de Datos + IoT + BIM + gemelos digitales + agentes + Edge AI + robótica.
Esta integración puede convertirse en uno de los grandes ejes tecnológicos de Arquitectura.Tech.
Del paper al proyecto: Arquitectura.Tech Visual Construction Lab
Esta investigación también nos proporciona una oportunidad para desarrollar un experimento propio.
Podríamos crear progresivamente un pequeño:
Arquitectura.Tech Visual Construction Lab.
No empezaría intentando supervisar trabajadores.
Existen implicaciones legales, éticas y de privacidad que complicarían innecesariamente el primer proyecto.
Empezaría por algo más sencillo, técnico y reproducible:
detectar visualmente determinados defectos o elementos constructivos.
Por ejemplo, fisuras en superficies de hormigón utilizando un conjunto de datos público.
El proyecto podría estructurarse en cinco etapas.
1. Obtener un conjunto de imágenes
Seleccionaríamos un dataset público con imágenes etiquetadas.
Dos categorías podrían bastar inicialmente:
fisura
y
sin fisura.
2. Construir un modelo de referencia
Empezaríamos con un modelo sencillo.
El objetivo no sería conseguir inmediatamente la máxima precisión.
Sería construir una línea base reproducible.
3. Entrenar un modelo de visión artificial
Podríamos experimentar posteriormente con una CNN o con transfer learning sobre un modelo preentrenado.
4. Analizar los errores
Esta sería probablemente la parte más importante.
No preguntaríamos solamente:
¿qué precisión obtiene?
Analizaríamos:
qué fisuras no detecta;
qué elementos confunde con fisuras;
cómo afectan las sombras;
cómo afecta la distancia;
qué ocurre con diferentes superficies.
5. Crear un pequeño demostrador
Una imagen entra.
El modelo la analiza.
Devuelve:
posible fisura / no detectada
junto con su nivel de confianza.
No sería una herramienta profesional de inspección.
Sería un demostrador experimental y educativo, claramente identificado como tal.
Pero nos permitiría empezar a construir conocimiento propio.
Y eso es precisamente lo que debería hacer un laboratorio de Arquitectura.Tech:
pasar de explicar investigaciones de otros a reproducir, experimentar, medir y aprender.
Conclusión: cuando el entorno construido se convierte también en datos
Durante décadas hemos digitalizado fundamentalmente la representación del edificio.
Primero mediante CAD.
Después mediante BIM.
Ahora estamos entrando en una etapa diferente.
Podemos empezar a digitalizar también lo que sucede en el mundo físico.
Los sensores miden.
Las cámaras observan.
La visión artificial interpreta determinadas características.
La Ciencia de Datos analiza.
Los modelos predictivos anticipan.
Los agentes pueden ayudar a decidir.
Y los sistemas físicos pueden eventualmente actuar.
La revisión analizada muestra que la visión artificial basada en deep learning ya se investiga en ámbitos tan diferentes como detección de objetos, seguridad, daños, calidad y productividad.
Pero también muestra que seguimos teniendo problemas importantes de datos, generalización, privacidad, explicabilidad y despliegue real.
Ese equilibrio entre potencial y rigor es especialmente importante.
La pregunta no debería ser:
¿puede la IA sustituir la inspección humana?
La pregunta más interesante es:
¿qué información puede extraer de forma fiable de la realidad física y cómo podemos utilizarla para tomar mejores decisiones?
Ahí puede encontrarse una parte importante del futuro de la inteligencia artificial aplicada al entorno construido.
Ficha del paper
Investigación aplicada · Artículo 06
Título: Deep learning-enabled visual computing in construction: application and digital technology integration
Autores: Prasad Perera, Srinath Perera, Xiaohua Jin, Maria Rashidi, Samudaya Nanayakkara, Gina Yazbek y Andrew Yazbek.
Revista: Frontiers in Built Environment
Sección: Construction Management
Volumen: 11
Año: 2025
Publicado: 1 de septiembre de 2025
DOI: 10.3389/fbuil.2025.1655847
Tipo: Review Article
Metodología: revisión sistemática basada en PRISMA-ScR.
Corpus: 144 artículos.
Ámbito: computación visual basada en deep learning aplicada a construcción y su integración con tecnologías digitales. Frontiers
Consultar el artículo científico original en Frontiers in Built Environment
Este artículo ha sido desarrollado con ayuda de herramientas de inteligencia artificial para apoyar las tareas de investigación, análisis, síntesis y redacción. La selección del enfoque, la interpretación de los resultados y la revisión editorial se han realizado bajo dirección, supervisión y guía humana.