Machine Learning en el procesamiento digital de imágenes RPA para la automatización de la identificación de fallas en el pavimento

• Autor: Puchoc Espejo, Brigitte Diana
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28694
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28694
• Nivel de acceso: acceso abierto
• Materia: Grietas; Detección automática; Redes neuronales artificiales; Pavimentos flexibles; https://purl.org/pe-repo/ocde/ford#2.01.01

La detección de fallas en pavimentos flexibles representa un desafío para el mantenimiento de la infraestructura vial. Las inspecciones tradicionales, basadas en observaciones visuales y técnicas manuales, suelen ser lentas, costosas y propensas a errores, dificultando una respuesta oportuna. Antes esta problemática, la presente investigación propone automatizar la detección de grietas, a través del uso de una red neuronal convolucional supervisada aplicada al análisis de ortomosaicos. Para desarrollar este enfoque, se construyó una base de datos de 6,255 imágenes: 1,567 se generaron a partir de fuentes propias y 4,688 mediante técnicas de aumento de datos. Las imágenes fueron segmentadas manualmente, lo que permitió crear un conjunto de datos de entrenamiento para modelos de segmentación. Con esta base de datos, se implementaron, entrenaron y compararon cinco arquitecturas de segmentación: U-Net, Shallow U-Net, VGG U-Net, ResNet101 U-Net y DeepLabV3+, evaluándolas mediante métricas de desempeño como IoU y F1-score, destacando ResNet101 U-Net por su mejor rendimiento, con un IoU de 0.693 y un F1-score de 0.816. El modelo seleccionado fue aplicado sobre ortomosaicos georreferenciados de la Av. Argentina, comparando sus resultados con segmentaciones manuales en zonas representativas. Los resultados mostraron que la automatización redujo significativamente el tiempo de análisis, manteniendo un alto nivel de precisión en la segmentación de grietas en ortomosaicos, mostrando mayor eficiencia y optimizando el monitoreo vial de manera rápida y eficiente.