Acceso usuarios
Hamilton Vladimir Cueva Campos, Roberto Carlos Cachay Silva, Oscar Efraín Capuñay Uceda
Este artículo presenta un estudio sobre la clasificación automática de imágenes de pavimentos utilizando redes neuronales convolucionales (CNN). El modelo desarrollado logró una precisión del 96.90% en la validación, demostrando su efectividad en la detección de defectos como grietas y deterioros. Se exploraron técnicas avanzadas, como la transferencia de aprendizaje y el preprocesamiento de imágenes, para mejorar el rendimiento del modelo. Además, se discute la integración de datos multimodales y la validación en escenarios reales para optimizar su aplicabilidad práctica. Los resultados destacan el potencial de las CNNs para transformar la gestión del mantenimiento de infraestructuras viales, proporcionando una herramienta precisa y eficiente para la detección temprana de fallas. Se concluye que, con mejoras adicionales, el modelo puede ser una solución robusta para la inspección automatizada de pavimentos.
This paper presents a study on the automatic classification of pavement images using convolutional neural networks (CNN). The developed model achieved an accuracy of 96.90% in validation, demonstrating its effectiveness in detecting defects such as cracks and deterioration. Advanced techniques, such as transfer learning and image pre-processing, were explored to improve the model performance. Furthermore, multimodal data integration and validation in realworld scenarios are discussed to optimise their practical applicability. The results highlight the potential of CNNs to transform road infrastructure maintenance management by providing an accurate and efficient tool for early fault detection. It is concluded that, with further improvements, the model can be a robust solution for automated pavement inspection.
