🤖 machine learning

A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index

Este artículo presenta una revisión sistemática de los enfoques de aprendizaje profundo para la detección de la contaminación visual urbana y propone un marco de monitoreo en tiempo real basado en un índice de severidad para mejorar la gestión estética y el bienestar en las ciudades.

Autores originales: Mohammad Masudur Rahman, Md. Rashedur Rahman, Ashraful Islam, Saadia B Alam, M Ashraful Amin

Publicado 2026-02-11

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mohammad Masudur Rahman, Md. Rashedur Rahman, Ashraful Islam, Saadia B Alam, M Ashraful Amin

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El "Ruido Visual": Cuando nuestros ojos se cansan de la ciudad

Imagina que estás intentando escuchar una melodía suave en una habitación, pero de repente, alguien enciende una licuadora, otro empieza a gritar y un tercero golpea una mesa sin parar. Aunque no te están pegando, ese caos de sonidos te agota, te estresa y no te deja disfrutar de la música.

Eso mismo le pasa a nuestros ojos en la ciudad. A esto los científicos lo llaman Contaminación Visual Urbana (CVU). No es un humo negro que te ensucia los pulmones, pero es un "ruido" de carteles gigantes, cables colgando como telarañas, basura acumulada y anuncios por todos lados que rompen la armonía de nuestras calles. Este desorden hace que la gente se sienta más estresada, cansada y menos conectada con su entorno.

¿Cuál es el problema?

Hasta ahora, para saber qué tan "fea" o desordenada está una ciudad, alguien tenía que caminar por las calles con una libreta, tomando notas a mano. Es un trabajo lentísimo, subjetivo (lo que es feo para uno, quizás no lo es para otro) y es imposible hacerlo en toda una ciudad al mismo tiempo.

La solución: Un "Ojo Digital" inteligente

Los investigadores de la Universidad Independiente de Bangladesh han propuesto usar la Inteligencia Artificial (IA) para crear un sistema de vigilancia automática. Imagina que la ciudad tuviera un "ojo inteligente" (basado en algo llamado Deep Learning) que puede mirar cámaras de seguridad, drones o incluso las fotos que los ciudadanos suben desde sus móviles, y decir instantáneamente: "¡Atención! Aquí hay un exceso de cables y mucha basura".

El plan de acción: El "Semáforo de la Belleza Urbana"

El estudio propone un sistema de cinco capas, como si fuera un filtro de limpieza para la ciudad:

La Recolección: El sistema recoge imágenes de todos lados (cámaras, drones, móviles).
El Detective: La IA analiza la imagen y detecta objetos específicos (un cartel ilegal, un bache, un montón de basura).
El Escáner de Precisión: No solo ve que hay basura, sino que mide exactamente qué parte de la calle está ocupada por ese desorden.
El Clasificador: Le pone nombre y apellido al problema: "Esto es un problema de cables" o "Esto es un problema de publicidad excesiva".
El Índice de Contaminación Visual (ICV): Esta es la parte más brillante. El sistema calcula una nota del 0 al 100.
- 0-20: La calle está "limpia" y armoniosa.
- 81-100: ¡Alerta roja! La calle es un caos visual y necesita limpieza urgente.

¿Para qué sirve esto en la vida real?

No es solo para que la ciudad se vea "bonita" para las fotos de Instagram. Este sistema tiene beneficios reales:

Mejor planificación: Los alcaldes pueden saber exactamente qué barrios necesitan más orden sin tener que ir ellos mismos a inspeccionar.
Salud pública: El desorden visual suele ir de la mano con la basura. Si el sistema detecta basura acumulada, ayuda a prevenir enfermedades (como el dengue), ya que la basura estancada atrae mosquitos.
Acción rápida: En lugar de esperar meses a que alguien reporte un problema, la ciudad puede actuar casi en tiempo real.

En resumen: Este estudio busca pasar de una ciudad que "se ve caótica y nos estresa" a una ciudad que se "automonitorea" para ser un lugar más tranquilo, limpio y agradable para vivir.

Resumen Técnico: Revisión de Aprendizaje Profundo para la Contaminación Visual Urbana y Propuesta de un Marco de Monitoreo en Tiempo Real

Título original: A Scoping Review of Deep Learning for Urban Visual Pollution and Proposal of a Real-Time Monitoring Framework with a Visual Pollution Index

1. El Problema (Contexto y Motivación)

La Contaminación Visual Urbana (UVP) se define como la presencia de elementos desorganizados o intrusivos (vallas publicitarias excesivas, cableado caótico, vertederos de basura, señalización desordenada) que rompen el equilibrio estético de los espacios urbanos. A diferencia de otras formas de contaminación, la UVP no afecta directamente la salud física, pero tiene un impacto psicológico significativo, contribuyendo al estrés cognitivo, la fatiga mental y la reducción del bienestar de los ciudadanos.

El problema central identificado es que la detección actual es mayoritariamente cualitativa y manual, lo que la hace lenta, subjetiva y difícil de escalar. Aunque existen avances en visión artificial, la investigación está fragmentada: los estudios suelen centrarse en tipos de contaminantes muy específicos, carecen de taxonomías estandarizadas y no integran los modelos en sistemas de monitoreo en tiempo real que sirvan para la toma de decisiones gubernamentales.

2. Metodología

El estudio se divide en dos fases principales:

Revisión de Alcance (Scoping Review): Siguiendo las directrices PRISMA-ScR, los autores realizaron una búsqueda sistemática en siete bases de datos académicas (Scopus, Web of Science, IEEE Xplore, etc.). De un total de 3,439 artículos identificados, se seleccionaron 26 artículos tras un proceso riguroso de cribado basado en criterios de inclusión (uso de deep learning, publicaciones revisadas por pares, enfoque en UVP) y exclusión.
Propuesta de Marco de Trabajo (Framework): Basándose en los vacíos detectados en la revisión, los autores diseñaron un modelo conceptual de cinco capas para un sistema de monitoreo integral y automatizado.

3. Contribuciones Clave

El artículo aporta tres contribuciones fundamentales:

Mapeo del Estado del Arte: Identifica que la mayoría de las investigaciones utilizan arquitecturas de la familia YOLO (v3 a v8), Faster R-CNN y EfficientDet, y señala la escasez de conjuntos de datos (datasets) que sean geográficamente diversos y estandarizados.
Propuesta de una Taxonomía Unificada: Clasifica los contaminantes visuales en categorías claras: defectos estructurales/viales, publicidad/señalización, cables de servicios públicos, basura/desechos, desechos industriales y grafiti/vandalismo.
Diseño de un Marco de Monitoreo de 5 Capas:
- Capa 1 (Adquisición): Recolección de datos multifuente (CCTV, drones, smartphones).
- Capa 2 (Detección): Uso de modelos ligeros (como YOLOv8) para localización en tiempo real.
- Capa 3 (Segmentación): Delimitación a nivel de píxel para calcular el área ocupada por el contaminante.
- Capa 4 (Clasificación): Categorización semántica de los elementos detectados.
- Capa 5 (Reporte e Indexación): Conversión de datos técnicos en información accionable mediante un índice numérico.

4. Resultados y Propuesta del Índice de Contaminación Visual (VPI)

Uno de los resultados más innovadores es la propuesta de una fórmula matemática para el Índice de Contaminación Visual (VPI), que permite cuantificar la severidad de un área en una escala de 0 a 100:

$VPI = 100 \times (\alpha D + \beta S + \gamma R) \times W$

Donde:

$D$ (Densidad): Número de contaminantes detectados por unidad de área.
$S$ (Relación Severidad/Área): Fracción del cuadro ocupada por los contaminantes (obtenida mediante segmentación).
$R$ (Frecuencia de Recurrencia): Qué tan seguido reaparece el problema en la misma ubicación.
$W$ (Peso del Contexto Espacial): Factor de escala según la sensibilidad de la zona (ej. hospitales, escuelas).
$\alpha, \beta, \gamma$ : Pesos ajustables.

5. Significancia e Impacto

La importancia de este trabajo radica en su capacidad para transformar la gestión urbana de un modelo reactivo a uno proactivo y basado en datos.

Planificación Urbana: Permite a los gobiernos priorizar zonas de limpieza y mantenimiento estético.
Salud Pública: El marco puede ayudar a controlar riesgos sanitarios (como la proliferación de mosquitos en zonas con basura acumulada), vinculando la estética con la prevención de enfermedades.
Escalabilidad: Al proponer el uso de modelos ligeros y arquitecturas de edge computing, el sistema es viable para su implementación en ciudades inteligentes (Smart Cities) utilizando hardware de bajo costo.