Detección y medición automática del descascaramiento superficial de estructuras de concreto armado mediante aprendizaje profundo

• Autor: Espinola Diaz, Luis Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/395
• Enlace del recurso: https://hdl.handle.net/20.500.12815/395
• Nivel de acceso: acceso abierto
• Materia: Descascaramiento; Red convolucional; Computer Vision; Evaluación de daños; Detección de daños; Puentes; Concrete structures; Spalling; Convolutional network; Damage assessment; Damage detection; Bridges; https://purl.org/pe-repo/ocde/ford#2.01.01

En Perú, los puentes juegan un papel esencial en la infraestructura vial, pero a menudo reciben poca atención. Esta falta se refleja en la escasa información disponible sobre estos puentes, dado que sólo se ha inspeccionado una cuarta parte de los puentes registrados. Los métodos convencionales para la inspección de puentes requieren personal especializado y una inversión considerable, lo cual resulta inviable para la frecuencia necesaria en el contexto peruano. El objetivo de esta tesis es proponer un sistema que permita acelerar la inspección preliminar de puentes, facilitando la recolección e identificación del descascaramiento en concreto. El método propuesto utiliza redes neuronales convolucionales para la segmentación semántica de imágenes de descascaramiento en superficies de concreto. Para ello se evaluaron dos arquitecturas, YOLOv8 y Unet, entrenados con 200 imágenes de estructuras civiles. Los resultados indican que el modelo YOLOv8 alcanzó un F1-score de 0,68, mientras que el modelo Unet obtuvo un F1-score de 0,89 en la segmentación del descascaramiento. En cuanto a la predicción del diámetro según su F1-score, YOLOv8 tuvo un 52%, y Unet un 61%. Se observó que la predicción empeoraba con el aumento del diámetro y la variabilidad geométrica del daño, lo que se atribuye a la definición imprecisa del diámetro en las guías de inspección y a la plantilla utilizada. El análisis de las imágenes en escala RGB mostró que el daño en la superficie de concreto puede identificarse mediante diferencias en la intensidad de los colores, aunque no se encontró una correlación clara entre la profundidad del daño y los valores de intensidad.