Detection of Moisture and Surface Wear in Sillar Heritage Structures Using Deep Learning in Arequipa’s Architectural Heritage

• Autores: Valderrama Solis, Fernando Alonso, NuÑez Rodriguez, Ericka Johany
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/21898
• Enlace del recurso: https://hdl.handle.net/20.500.12773/21898
• Nivel de acceso: acceso abierto
• Materia: Humedad; Desgaste superficial; Patrimonio histórico; Visión por computadora; Sillar; https://purl.org/pe-repo/ocde/ford#6.04.08

Este estudio tiene como objetivo detectar patologías en construcciones hechas de sillar, un material volcánico de gran valor histórico y cultural, comúnmente utilizado en edificaciones residenciales y patrimoniales en la ciudad de Arequipa, Perú. Debido a la singularidad del sillar y a las características particulares de sus patologías, como la humedad y el desgaste superficial, se propone una metodología no invasiva basada en imágenes digitales, orientada al análisis de construcciones patrimoniales, con el fin de desarrollar un método que no altere ni modifique el patrimonio ni dañe la estructura, considerando que en estudios invasivos la recolección de muestras puede afectar la integridad del material. La estrategia propuesta combina técnicas de visión por computadora, incluyendo métodos de clustering para la segmentación preliminar, con el uso de redes neuronales profundas para la detección de anomalías y deterioro. Además, se introduce un esquema de validación que integra métricas estándar de segmentación con análisis de intersección respecto a mapas de patologías, permitiendo que el análisis computacional se alinee más estrechamente con los criterios empleados en la conservación arquitectónica. Los resultados demuestran un buen rendimiento en la detección de humedad, aunque con menor precisión en la identificación de otros tipos de deterioro, lo que destaca tanto la viabilidad como los desafíos de aplicar deep learning al diagnóstico del sillar y sienta las bases para el desarrollo de herramientas digitales que apoyen la documentación y preservación del patrimonio arquitectónico.