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

Abstract

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.

This thesis focused on improving the precision in the automatic detection process of the condition of flexible pavement surfaces in the city of Piura through the use of deep learning. The general objective was to determine a deep learning model that could achieve such improvement in precision. To this end, a deep learning model was trained and validated in comparison with the Pavimenta2 software from the Inter-American Development Bank (IDB). The model, developed in Python, was experimentally validated until the desired level of precision was achieved. It is important to note that the photographs and videos of the Piura pavements used in the processing were collected through smartphone cameras. Subsequently, the results were validated with Pavimenta2, which has been incorporated in a novel way in this study.

The research methodology employed is a quantitative approach, with operationally defined variables. In this sense, models were developed and analyzed based on the obtained results. Although the design is experimental, in the control framework of the study, it is classified as pre-experimental due to the use of a group of images by type of failure for model training, without a control group. The work was based on using four base neural networks and transferring their intelligence to select the superior model in the ability to predict cracks in the pavement. Through deep learning techniques, a precision of 92.76% was achieved, considered excellent for image detection purposes. The experiments demonstrated that the developed artificial intelligence model was effective in detecting failures in the flexible pavements of Piura, positioning it as a powerful tool to assist the supervision and maintenance teams in scheduling repairs and issuing early warnings of potential damage.