Desarrollo de una herramienta digital web para la inspección de puentes, mediante la implementación de redes neuronales CNN y visión por computador para la detección de fisuras y vegetación en dos puentes tipo armadura en Ancash, Perú

Abstract

Para evaluar las condiciones actuales de los puentes, a menudo se utiliza la inspección visual humana. En la práctica, este tipo de inspección se aplica para determinar la condición física, necesidad de mantenimiento o la reconstrucción del proyecto. Asimismo, dependiendo de la lejanía de estos, por lo general, se da un incremento de tiempo y presupuesto en viáticos e implementos para la realización de las inspecciones. Con la finalidad de obtener la automatización en la detección de fisuras y vegetación, parte de la inspección, esta investigación tiene como propuesta el uso de herramientas de visión artificial y aprendizaje profundo (Deep Learning). En consecuencia, los autores implementarán dos páginas web siguiendo la metodología Docker con el fin de brindar una mejor experiencia a los usuarios al interactuar con las herramientas basadas en las redes neuronales convolucional, CNN, y visión por computadora, las cuales muestran la capacidad de detectar grietas en el concreto o pavimento y el desgaste por hongos y vegetación en superficies de la armadura. Finalmente, los resultados se presentan mediante métricas que soportarán la validación del uso de las herramientas.

Human visual inspection is often used to assess the current condition of bridges. In practice, this type of inspection is applied to determine the physical condition, maintenance or reconstruction of the project. Likewise, depending on the distance of these, in general, there is an increase in time and budget in travel expenses and implements for carrying out the inspections. In order to obtain automation in the detection of cracks and vegetation, part of the inspection, this research proposes to use of artificial vision and deep learning tools. Consequently, the authors will implement two web pages following the Docker methodology to provide a better experience to users when interacting with tools based on convolutional neural networks, CNN, and computer vision, which show the ability to detect cracks in concrete or pavement and fungal and vegetative wear on reinforcement surfaces. Finally, the results are presented through metrics that will support the validation of the use of the tools.