Detección automatizada de daños en pavimentos post-terremoto mediante aprendizaje profundo aplicado a imágenes aéreas

• Autores: Puchoc Espejo, Brigitte Diana, Estrada, Miguel, Inocente, Italo, García, Fernando
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: Revistas - Universidad Nacional de Ingeniería
• Lenguaje: español
• OAI Identifier: oai:oai:revistas.uni.edu.pe:article/2512
• Enlace del recurso: https://revistas.uni.edu.pe/index.php/tecnia/article/view/2512
• Nivel de acceso: acceso abierto
• Materia: Earthquake damage; Pavement; Deep Learning; Photogrammetry; Peligro sísmico; Pavimento; Aprendizaje profundo; Fotogrametría

Perú se encuentra en una zona altamente sísmica, lo que lo hace vulnerable a daños en la infraestructura provocados por terremotos, por ello una evaluación rápida después de un sismo de gran magnitud es importante para mitigar sus impactos, especialmente para los tomadores de decisiones. Entre las infraestructuras más afectadas, encontramos al pavimento, los cuales suelen sufrir daños significativos, generando la formación de grietas, estas no solo interrumpen la red de transporte, sino que también representan un riesgo para la seguridad y afectan las actividades económicas. La detección de grietas en pavimentos es un paso clave en este proceso; sin embargo, los métodos de inspección tradicionales suelen ser lentos, propensos a errores, demandan un alto esfuerzo manual y, en muchas ocasiones, son inaccesibles en zonas de alto riesgo, lo que limita su efectividad. Para abordar este problema, en este estudio se aplican técnicas de aprendizaje profundo para la detección automatizada de grietas en pavimentos a partir de imágenes aéreas en escenarios post-sismo. Se entrenó una red neuronal convolucional DeepLabV3+ con aproximadamente 5,600 imágenes etiquetadas de grietas en pavimentos. El modelo alcanzó un IoU de 65 % en el conjunto de validación, aplicándose a imágenes post-sismo del terremoto de Pisco de 2007. Al compararse con una segmentación manual de referencia, el modelo obtuvo un IoU de 47.2 % y un F1-score de 64.3 %. Estos resultados reflejan una buena capacidad de generalización pese a las diferencias entre los datos de entrenamiento y prueba. El método propuesto demuestra el potencial del aprendizaje profundo para realizar evaluaciones rápidas y escalables de daños en pavimentos post-terremoto, reduciendo la dependencia