2026-09-19T04:37:38Zhttps://repository.universidadean.edu.co/server/oai/request

oai:repository.universidadean.edu.co:10882/193012026-06-23T09:00:22Zcom_10882_83com_10882_48col_10882_13800

Evaluación de precisión en modelos de visión por computadora basados en deep learning para la detección de grietas en pavimentos flexibles en la localidad de Puente Aranda, Bogotá Accuracy evaluation of deep learning-based computer vision models for crack detection in flexible pavements in Puente Aranda, Bogotá Morgado Gómez, Kevin Steven Olivos Fonseca, Jonathan Steven Muñoz Gutiérrez, José David Bernal Campos, Yimy Alejandro Visión por computador Pavimento --Agrietamiento Reconocimiento de modelos por computador Aprendizaje automático (Inteligencia artificial) Procesamiento de imágenes Aprendizaje de máquina Pavimentos Detección de grietas Visión de computadora Machine learning Pavements Crack detection Computer vision En este trabajo se realizará una evaluación de la precisión de un modelo de detección de grietas aplicado a imágenes de pavimentos flexibles, se compararán sus resultados con los obtenidos mediante inspección visual tradicional. Para ello, se utilizarán imágenes capturadas en campo, sobre las cuales se aplicará el modelo y se identificarán las grietas detectadas. Estos resultados se contrastarán con una referencia construida a partir de la inspección visual, con el fin de analizar cuan cercano será el desempeño del modelo frente al método convencional. El alcance del trabajo se centrará en comparar ambos enfoques desde un punto de vista cuantitativo, utilizando métricas como precisión, recall y F1-score. No se busca desarrollar un nuevo modelo, sino evaluar el comportamiento de una herramienta existente en un contexto específico. Con esto, se pretende aportar una visión más clara sobre el uso de este tipo de tecnologías como apoyo en la detección de grietas en pavimentos flexibles. This work will evaluate the accuracy of a crack detection model applied to images of flexible pavements, comparing its results with those obtained through traditional visual inspection. To achieve this, field-captured images will be used, on which the model will be applied to identify detected cracks. These results will be compared against a reference created through visual inspection in order to analyze how closely the model’s performance matches the conventional method. The scope of this work will focus on comparing both approaches from a quantitative perspective, using metrics such as precision, recall, and F1-score. The objective is not to develop a new model, but rather to evaluate the performance of an existing tool within a specific context. In this way, the study aims to provide a clearer perspective on the use of these technologies as support tools for crack detection in flexible pavements. Introducción Planteamiento del problema Pregunta de investigación Objetivos Justificación Antecedentes Investigativos Marco normativo e institucional Marco teórico Metodología Enfoque metodológico Variables técnicas y contextuales Método de recolección de información Proceso de etiquetado para entrenamiento Localización de las imágenes capturadas Parámetros Modelo Deep Learning Resultados Dataset de referencia Etiquetado Entrenamiento modelo base Gráficas de desempeño Validación con imágenes de grietas Comparación con investigaciones anteriores Conclusiones Referencias Especialista en Machine Learning Especialización 2026-06-22T23:57:04Z 2026-05-29 Trabajo de grado - Especialización Trabajo de grado - Especialización http://purl.org/coar/resource_type/c_7a1f info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/version/c_ab4af688f83e57aa Text http://purl.org/redcol/resource_type/TP https://hdl.handle.net/10882/19301 BDM-PML instname:Universidad Ean reponame:Repositorio Institucional Biblioteca Digital Minerva repourl:https://repository.ean.edu.co/ spa ASTM. (2018). D6433 - Standard Practice for Roads and Parking Lots Pavement Condition Index Surveys. https://doi.org/10.1520/D6433-18 El-Din Hemdan, E., & Al-Atroush, M. E. (2025). A Review Study of Intelligent Road Crack Detection: Algorithms and Systems. International Journal of Pavement Research and Technology 2025, 1–31. https://doi.org/10.1007/s42947-025-00556-x Fakhri, M., Pourjafar, S. V., & Daneshvari, M. H. (2025). Texture-based image analysis and explainable machine learning for polished asphalt identification in pavement condition monitoring. Scientific Reports 2025 15:1, 15(1), 43167-. https://doi.org/10.1038/s41598-025-27203-6 Hoang, N. D., & Tran, V. D. (2022). Computer vision based asphalt pavement segregation detection using image texture analysis integrated with extreme gradient boosting machine and deep convolutional neural networks. Measurement, 196, 111207. https://doi.org/10.1016/j.measurement.2022.111207 Instituto de Desarrollo Urbano. (2021). Metodología de diagnóstico y determinación del estado de los pavimentos y otros elementos del espacio público de Bogotá D.C. Instituto de Desarrollo Urbano. (2025). Diagnóstico, técnicas de intervención y diseño de alternativas para la conservación programada de los pavimentos de la malla vial, el espacio público y la red de ciclorrutas de Bogotá, D.C. Jocher, G., & Qiu, J. (2026). Ultralytics YOLO26. https://github.com/ultralytics/ultralytics Li, W., Gao, Z., Feng, G., Hao, R., Zhou, Y., Chen, Y., Liu, S., Zhang, H., & Wang, T. (2025). Damage characteristics and YOLO automated crack detection of fissured rock masses under true-triaxial mining unloading conditions. Engineering Fracture Mechanics, 314, 110790. https://doi.org/10.1016/J.ENGFRACMECH.2024.110790 Morshed, S. Y., & Bheemasetti, T. v. (2025). Classification and Severity Assessment of Pavement Cracks with Low-Cost Data Collection Systems and Machine Learning Models. International Journal of Pavement Research and Technology 2025, 1–14. https://doi.org/10.1007/s42947-025-00680-8 Nhat-Duc, H., & Van-Duc, T. (2023). Computer Vision-Based Severity Classification of Asphalt Pavement Raveling Using Advanced Gradient Boosting Machines and Lightweight Texture Descriptors. Iranian Journal of Science and Technology, Transactions of Civil Engineering 2023 47:6, 47(6), 4059–4073. https://doi.org/10.1007/s40996-023-01138-2 Ramírez-Villanueva, F. G., Vázquez Noguera, J. L., Legal-Ayala, H., Mello-Román, J. C., & Pérez-Estigarribia, P. E. (2025). PY-CrackDB: A pavement crack dataset from paraguayan roads for context-aware computer vision models. Data in Brief, 63, 112060. https://doi.org/10.1016/j.dib.2025.112060 Tafida, A., Alaloul, W. S., Zawawi, N. A. B. W., Musarat, M. A., & Sani, A. A. (2025). Advancing smart transportation: A review of computer vision and photogrammetry in learning-based dimensional road pavement defect detection. Computer Science Review, 56, 100729. https://doi.org/10.1016/j.cosrev.2025.100729 Tian, Y., Xu, W., Yang, B., Yang, X., Guo, H., Wang, G., & Yu, H. (2026). Development and evolution of YOLO in object detection: A survey. Neurocomputing, 669, 132436. https://doi.org/10.1016/j.neucom.2025.132436 Ultralytics. (2026). YOLO Model Architecture and Task Variants. https://deepwiki.com/ultralytics/ultralytics/3-model-operations-and-lifecycle Yin, X., Wang, C., Chen, W., Zeng, Z., Quan, Y., & Huang, Z. (2026). A UAV-deployable lightweight framework for real-time bridge crack detection via YOLO-LY algorithm. Engineering Structures, 358, 122629. https://doi.org/10.1016/J.ENGSTRUCT.2026.122629 Zeiada, W., Alnaqbi, A. J., Ghazi, ·, Al-Khateeb, G., & Abuzwidah, · Muamer. (2024). Machine learning modeling of transverse cracking in flexible pavement. Discover Civil Engineering 2024 1:1, 1(1), 114-. https://doi.org/10.1007/s44290-024-00128-1 Zeng, J., Gül, M., & Mei, Q. (2022). A computer vision-based method to identify the international roughness index of highway pavements. Journal of Infrastructure Intelligence and Resilience, 1(1), 100004. https://doi.org/10.1016/j.iintel.2022.100004 Zhang, A. A., Ding, Y., Xu, X., Dong, Z., He, A., Zhan, Y., Qian, Y., & Wang, K. C. P. (2025). Pixel-Level Intelligent Recognition of Asphalt Pavement Cracks with an Improved ShuttleNet. International Journal of Pavement Research and Technology 2025, 1–15. https://doi.org/10.1007/s42947-025-00573-w Zhang, Y., Li, G., & Shen, R. (2026). Computer vision for infrastructure defect detection: Methods and trends. Automation in Construction, 183, 106795. https://doi.org/10.1016/j.autcon.2026.106795 Zhang, Y., & Liu, C. (2025). Vision-enhanced multi-modal learning framework for non-destructive pavement damage detection. Automation in Construction, 177, 106389. https://doi.org/10.1016/j.autcon.2025.106389 Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) https://creativecommons.org/licenses/by-nc-sa/4.0/ info:eu-repo/semantics/openAccess Abierto (Texto Completo) Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA http://purl.org/coar/access_right/c_abf2 pdf 71 páginas Recurso electrónico application/pdf application/pdf application/pdf Especialización en Machine Learning Facultad de Ingeniería