Identificación de patologías en carreteras de pavimento flexible utilizando redes neuronales convolucionales, mediante el procesamiento de imágenes del Alto Trujillo

• Autores: Añazco Bernuy, Joel Arturo, Cruzado Carrasco, Alberth William
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/162805
• Enlace del recurso: https://hdl.handle.net/20.500.12692/162805
• Nivel de acceso: acceso abierto
• Materia: Identificación de patologías; Pavimento flexible; Redes neuronales convolucionales (CNN); Procesamiento de imágenes; Detección de daños en carreteras; https://purl.org/pe-repo/ocde/ford#2.01.01

Esta investigación exploró el uso de redes neuronales convolucionales (CNN) para identificar patologías en carreteras de pavimento flexible en la zona del Alto Trujillo, a partir de imágenes capturadas con cámaras de alta resolución. El objetivo es mejorar los métodos tradicionales de inspección vial mediante un análisis automático y preciso de condiciones de deterioro como grietas, baches y deformaciones. El modelo fue entrenado con imágenes previamente etiquetadas y se aplicaron técnicas de preprocesamiento para mejorar la calidad visual y facilitar la detección. Los resultados indicaron que el modelo CNN logró una precisión superior al 90% en la identificación de las patologías más comunes, como grietas longitudinales y transversales, baches y deformaciones superficiales. En comparación con los métodos tradicionales, el enfoque basado en CNN demostró ser más rápido, eficiente y menos costoso. Este estudio es uno de los primeros en aplicar inteligencia artificial para la evaluación de infraestructuras viales en el Alto Trujillo, considerando las particularidades del pavimento flexible de la región. Se recomienda ampliar el conjunto de datos con más imágenes y patologías, así como integrar el modelo en un sistema de monitoreo vial automatizado para detectar problemas en tiempo real y optimizar las reparaciones.