Detección automática de grietas y fisuras en pavimento por medio de fotos y redes neuronales convolucionales

Las vías son el medio de transporte de personas y carga más importante en Colombia, mantenerlas en buenas condiciones es una tarea desafiante que requiere como primer paso conocer el estado de estas. Dentro de los muchos parámetros para medir el estado de las vías, las grietas y fisuras son uno de los más importantes porque reflejan el estado superficial del pavimento. En este trabajo se propuso un sistema automático para la detección y segmentación automática de grietas y fisuras por medio de imágenes del pavimento. Para ello se tomaron 28000 fotos en vías del oriente antioqueño y se etiquetaron manualmente 4200 con grietas visibles. Se entrenó una arquitectura de red neuronal convolucional conocida como Mask R-CNN y, estableciendo un valor de certidumbre del modelo en 0.85, se logró obtener una precisión del 80% con niveles de sensibilidad del 78% y media de precisión del 77 %. El modelo entrenado tiene un rendimiento sobresaliente cuando las grietas son grandes, por lo tanto, investigaciones futuras se deben centrar en la detección de grietas de menor dimensión.

• Autores: Marín-Acevedo, Edwin Alonso
• Tipo de recurso: Tesis
• Fecha de publicación: 2019
• Institución: Universidad Católica de Oriente
• Repositorio: Repositorio UCO
• Idioma: spa
• OAI Identifier: oai:repositorio.uco.edu.co:20.500.12516/419
• Acceso en línea: https://hdl.handle.net/20.500.12516/419
• Palabra clave: Detección de grietas y fisuras; Mask R-CNN; Segmentación de instancias; Redes neuronales convolucionales; Convolutional neural networks; Cracks and fissures detection; Instance segmentation; Mask R-CNN; Pavimento; Construción; Estradas; Rúas; Redes neuronales artificiales; Inteligencia artificial
• License: http://creativecommons.org/licenses/by/3.0/