Sporathe knowledge network
ES
Pontificia Universidad Javeriana

Ciencia de Datos

Sistema de análisis de imágenes para la identificación y evaluación de agrietamientos y baches en pavimentos flexibles

Este trabajo de grado presenta el desarrollo e implementación de un sistema automatizado de análisis de imágenes para la identificación y evaluación de fallas en pavimentos flexibles urbanos, con énfasis en el contexto vial de Bogotá. El sistema propuesto se fundamenta en la arquitectura de red neuronal convolucional U-Net y adopta un enfoque Multi-Experto, en el que dos modelos especializados e independientes abordan de forma diferenciada la segmentación semántica de fisuras y baches, dada la marcada diferencia morfológica entre ambos tipos de daño. Para el especialista en fisuras se implementó una Attention U-Net entrenada mediante Transfer Learning sobre un dataset externo de 7.732 imágenes proveniente de HuggingFace, seguido de fine-tuning con el dataset local de pavimento. Para el especialista en baches se empleó una U-Net con encoder VGG16 preentrenado en ImageNet, complementada con técnicas de Data Augmentation que expandieron el conjunto de entrenamiento de 568 a más de 8.500 iteraciones aumentadas. Ambos modelos fueron optimizados con funciones de pérdida diseñadas para contrarrestar el desbalance extremo de clases, combinando Focal Loss y Tversky Loss para fisuras, y BCE con Dice Loss para baches. El sistema fue evaluado mediante métricas estándar de segmentación semántica y validado con una estrategia de validación cruzada K-Fold de cinco particiones. El especialista en baches alcanzó un IoU medio de 0.403 ± 0.036 y un F1 de 0.611 ± 0.035, mientras que el especialista en fisuras obtuvo un IoU de 0.186 ± 0.007, resultado coherente con los rangos reportados en la literatura para segmentación de estructuras lineales delgadas bajo alto desbalance de clases. La baja desviación estándar en ambos modelos confirma la ausencia de sobreajuste y la generalización del aprendizaje. Adicionalmente, el sistema integra Test-Time Augmentation, umbralización dinámica óptima y una clasificación de severidad por porcentaje de área afectada, generando un diagnóstico visual interpretable sobre imágenes capturadas en condiciones reales.

Full text 95 pages with text

Read the full thesis Record in the repository

Contents

Keywords