Detección automática del estado de superficies de pavimento flexible en la ciudad de Piura utilizando aprendizaje profundo

• Autor: Jimenez Pesantes, Hilder Javier
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28427
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28427
• Nivel de acceso: acceso abierto
• Materia: Pavimentos flexibles; Superficies; Inteligencia Artificial (IA); https://purl.org/pe-repo/ocde/ford#2.01.05

La presente tesis se centró en mejorar la precisión en el proceso de detección automática del estado de las superficies de pavimento flexible en la ciudad de Piura mediante el uso de aprendizaje profundo. El objetivo general fue determinar un modelo de aprendizaje profundo que lograra dicha mejora en la precisión. Para ello, se entrenó y validó un modelo de aprendizaje profundo en comparación con el software Pavimenta2 del Banco Interamericano de Desarrollo (BID). El modelo, desarrollado en Python, se validó experimentalmente hasta alcanzar el nivel de precisión deseado. Cabe destacar que las fotografías y videos de los pavimentos de Piura utilizados en el procesamiento fueron recopilados a través de cámaras de smartphone. Posteriormente, los resultados se validaron con Pavimenta2, el cual se ha incorporado de manera novedosa en este estudio. La metodología de investigación empleada es de enfoque cuantitativo, con variables definidas operacionalmente. En este sentido, se elaboraron modelos que fueron analizados con base en los resultados obtenidos. Si bien el diseño es experimental, en el marco de control del estudio se clasifica como preexperimental. Debido a que se utilizó un grupo de imágenes por tipo de falla para el entrenamiento del modelo, sin contar con un grupo de control. El trabajo se basó en utilizar cuatro redes neuronales de base y transferir su inteligencia para seleccionar el modelo superior en capacidad de predicción de grietas en el pavimento. Mediante técnicas de aprendizaje profundo, se alcanzó una precisión del 92.76 %, considerada excelente para fines de detección de imágenes. Los experimentos demostraron que el modelo de inteligencia artificial desarrollado resultó eficaz en la detección de fallas en los pavimentos flexibles de Piura, posicionándose como una herramienta poderosa para asistir a los equipos de supervisión y mantenimiento en la programación de reparaciones y emisión de alertas tempranas de daños potenciales.