Estimación de daños en el puente Tamborapa aplicando redes neuronales convolucionales, Jaén - Cajamarca - 2025”

• Autores: Alvarado Huaman, Osmer, Campos Guerrero, Emerson Darley
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Nacional de Jaén
• Repositorio: UNJ-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unj.edu.pe:20.500.14689/1151
• Enlace del recurso: http://hdl.handle.net/20.500.14689/1151
• Nivel de acceso: acceso abierto
• Materia: Detección automática; CNN; Puentes; Inspección con dron; YOLO; VGG16; MobileNet; DenseNet121.; https://purl.org/pe-repo/ocde/ford#2.00.00

El objetivo de la investigación fue estimar los daños presentes en el Puente Tamborapa mediante la aplicación de redes neuronales convolucionales (CNN). Para ello, se realizó la recolección de imágenes de la superestructura y subestructura utilizando un dron DJI Mini 3 Pro, registrándose fallas como corrosión, grietas, eflorescencia, exposición de barras y desplazamientos. Las imágenes fueron organizadas, clasificadas y etiquetadas para conformar la base de datos empleada en el entrenamiento de cuatro modelos CNN: VGG16, MobileNet, DenseNet121 y YOLO. Los resultados mostraron que las patologías más frecuentes fueron la corrosión y las grietas superficiales, identificadas principalmente en barandas metálicas, tablero y estribos. En cuanto al desempeño de los modelos, YOLO obtuvo los mejores indicadores con una precisión superior al 96%, seguido de MobileNet con 95%, DenseNet121 con 92% y VGG16 con 90%. La validación evidenció que el modelo YOLO es el más eficiente para la detección multiclase de fallas en puentes. Se concluye que el uso de redes neuronales convolucionales constituye una herramienta eficaz y precisa para la inspección automatizada de estructuras, permitiendo reducir tiempos de evaluación, mejorar la detección temprana de daños y optimizar la gestión del mantenimiento del Puente Tamborapa.