Aplicación de redes neuronales convolucionales para la identificación de daños en pavimento flexible mediante procesamiento digital de imágenes 2025

• Autor: Barrantes Marquina, Patrick Hemerson
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/173070
• Enlace del recurso: https://hdl.handle.net/20.500.12692/173070
• Nivel de acceso: acceso abierto
• Materia: Ingeniería civil; ingeniería vial; carretera; digitalización; https://purl.org/pe-repo/ocde/ford#2.01.01

La presente investigación tuvo como objetivo desarrollar un modelo basado en redes neuronales convolucionales (CNN) para identificar daños en pavimento flexible mediante el procesamiento digital de imágenes. Debido al frecuente deterioro vial y a la necesidad de una detección más eficiente, se aplicó visión por computadora utilizando el algoritmo YOLOv8, entrenado con fotografías tomadas y etiquetadas. La metodología empleada fue de tipo aplicada, con enfoque cuantitativo y diseño preexperimental. Se recolectaron 1335 fotografías, de las cuales 614 fueron seleccionadas y sometidas a mejoras de escala de grises, ajuste de escala y realce de bordes. Las imágenes seleccionadas fueron etiquetadas con tres tipos de fallas: agrietamiento, piel de cocodrilo y baches, utilizando la plataforma RoboFlow. Posteriormente, se exportaron en formato YOLOv8 para el entrenamiento del modelo. El modelo alcanzó una precisión del 88%, un recall del 84% y un mAP50 del 66%, lo que demuestra su eficacia en la detección de fallas. La identificación de baches presentó un mejor desempeño en comparación con las demás categorías. Estos resultados validan la viabilidad del uso de CNN para el mantenimiento vial. Las redes neuronales convolucionales mejoran la detección de daños en pavimentos, reduciendo costos y errores. Se sugiere ampliar la base de datos y evaluar nuevas arquitecturas de detección.