Detección y medición automática del descascaramiento superficial de estructuras de concreto armado mediante aprendizaje profundo

Abstract

En Perú, los puentes juegan un papel esencial en la infraestructura vial, pero a menudo reciben poca atención. Esta falta se refleja en la escasa información disponible sobre estos puentes, dado que sólo se ha inspeccionado una cuarta parte de los puentes registrados. Los métodos convencionales para la inspección de puentes requieren personal especializado y una inversión considerable, lo cual resulta inviable para la frecuencia necesaria en el contexto peruano. El objetivo de esta tesis es proponer un sistema que permita acelerar la inspección preliminar de puentes, facilitando la recolección e identificación del descascaramiento en concreto. El método propuesto utiliza redes neuronales convolucionales para la segmentación semántica de imágenes de descascaramiento en superficies de concreto. Para ello se evaluaron dos arquitecturas, YOLOv8 y Unet, entrenados con 200 imágenes de estructuras civiles. Los resultados indican que el modelo YOLOv8 alcanzó un F1-score de 0,68, mientras que el modelo Unet obtuvo un F1-score de 0,89 en la segmentación del descascaramiento. En cuanto a la predicción del diámetro según su F1-score, YOLOv8 tuvo un 52%, y Unet un 61%. Se observó que la predicción empeoraba con el aumento del diámetro y la variabilidad geométrica del daño, lo que se atribuye a la definición imprecisa del diámetro en las guías de inspección y a la plantilla utilizada. El análisis de las imágenes en escala RGB mostró que el daño en la superficie de concreto puede identificarse mediante diferencias en la intensidad de los colores, aunque no se encontró una correlación clara entre la profundidad del daño y los valores de intensidad.

In Peru, bridges play an essential role in road infrastructure, but often receive little attention. This neglect is reflected in the limited information available on these bridges, as only a quarter of the registered bridges have been inspected. Conventional methods for bridge inspection require specialized personnel and considerable investment, which is unfeasible for the frequency required in the Peruvian context. The objective of this thesis is to propose a system to accelerate the preliminary inspection of bridges, facilitating the collection and identification of concrete spalling. The proposed method uses convolutional neural networks for the semantic segmentation of images of spalling on concrete surfaces. Two architectures, YOLOv8 and Unet, trained on 200 images of civil structures, were evaluated. The results indicate that the YOLOv8 model achieved an F1- score of 0.68, while the Unet model obtained an F1-score of 0.89 in the spalling segmentation. In terms of diameter prediction according to its F1-score, YOLOv8 had 52%, and Unet 61%. It was observed that prediction worsened with increasing diameter and geometric variability of the defect, which is attributed to the imprecise definition of diameter in the inspection guides and the template used. Analysis of the RGB scale images showed that damage to the concrete surface can be identified by differences in colour intensity, although no clear correlation was found between damage depth and intensity values.