Detección automatizada de grietas en ciclovías urbanas con YOLO en Lima Metropolitana

• Autores: Miranda Quispe, Bruno Sebastian, Garayar Peralta, Jose Andres, Ramos Ibáñez, Roberth Danibel
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/412
• Enlace del recurso: https://hdl.handle.net/20.500.12815/412
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Detección de objetos; Detección de daños; Red convolucional; Pavimentos; Deep Learning; Object detection; Convolutional network; Damage detection; Pavements; https://purl.org/pe-repo/ocde/ford#1.02.02

Las ciclovías de Lima Metropolitana necesitan mantenimiento adecuado para garantizar la seguridad de los ciclistas, pero los métodos actuales de detección de grietas no son eficientes ni automatizados. Esta tesis propone el uso de modelos basados en arquitectura YOLO y Convolutional Neural Networks (CNN) para la detección automatizada de grietas. Se recolectaron vídeos de recorridos por ciclovías, generando 91,786 imágenes, de las cuales 15,191 (17 %) fueron etiquetadas para entrenar modelos de detección. Esta base de datos se denominó “Base de Datos de Ciclovías de Lima 2024” (BDCL2024). Se entrenaron dos versiones preentrenadas de YOLO (versiones 8 y 11), utilizando imágenes de grietas en pavimentos de estudios previos y fotos locales de Lima, con el fin de evaluar el rendimiento en este contexto. Los experimentos mostraron que el modelo YOLO11 alcanzó el mejor desempeño en el subconjunto de test, con un mAP50 de 54.91 %. Los resultados subrayan la necesidad de adaptar los modelos preentrenados a contextos específicos. Aunque se lograron avances en la detección de grietas, el rendimiento en las ciclovías de Lima fue limitado, lo que sugiere la necesidad de ajustar los pesos de los modelos y mejorar la calidad del conjunto de datos. La investigación y los datos recolectados ofrecen una base clave para futuras investigaciones y mejoras en la seguridad y planificación de mantenimiento de ciclovías en Lima Metropolitana.