Implementación de una técnica de aprendizaje profundo para evaluar patologías de hormigón en estructuras de construcción

• Autores: Muñoz Bravo, Gean Marco, Muñoz Guevara, Cristhian Jhair
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17324
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17324
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; YOLOv8; Segmentación de instancias; Patologías del hormigón; Inspección estructural; https://purl.org/pe-repo/ocde/ford#2.02.04

El objetivo de la investigación fue implementar una técnica de aprendizaje profundo para la evaluación de patologías en el hormigón en estructuras de construcción. Se enfocó en detectar y segmentar defectos como grietas y desprendimientos mediante un modelo avanzado de segmentación de instancias. El método utilizado consistió en un diseño cuasi experimental y cuantitativo. Se recopiló un dataset de 1278 imágenes de 640x640 píxeles de dos fuentes públicas (HRCDS y Dacl10k), preprocesadas y enriquecidas con técnicas de data aumentación, expandiéndose a 3314 imágenes con 3694 anotaciones. Se empleó la red neuronal convolucional YOLOv8l-seg con arquitectura de 125 capas y 45,913,430 parámetros, entrenada durante 100 épocas con batch size de 16 imágenes. La evaluación del modelo incluyó métricas como precisión, recall, mAP@0.5 y mAP@0.5:0.95 para detección y segmentación. Los resultados demostraron un desempeño sobresaliente del modelo. En detección, se alcanzó una precisión global del 93.8%, recall del 89.5% y mAP@0.5 del 94.7%. En segmentación, se logró precisión del 88.9%, recall del 85.2% y mAP@0.5 del 87.3%. Los desprendimientos fueron mejor segmentados, alcanzando precisión del 94.7% y recall del 92.4%. La validación con el conjunto de prueba confirmó la capacidad del modelo para generalizar sin sobreajuste. La implementación de YOLOv8l-seg permitió una mejora significativa en la detección de patologías en el hormigón, superando las limitaciones de los métodos tradicionales. Se desarrolló una aplicación web con arquitectura cliente-servidor que integró el modelo, proporcionando una herramienta práctica, eficiente y accesible para el diagnóstico estructural automatizado de infraestructuras de hormigón.