Machine Learning en el procesamiento digital de imágenes RPA para la automatización de la identificación de fallas en el pavimento

Abstract

La detección de fallas en pavimentos flexibles representa un desafío para el mantenimiento de la infraestructura vial. Las inspecciones tradicionales, basadas en observaciones visuales y técnicas manuales, suelen ser lentas, costosas y propensas a errores, dificultando una respuesta oportuna. Antes esta problemática, la presente investigación propone automatizar la detección de grietas, a través del uso de una red neuronal convolucional supervisada aplicada al análisis de ortomosaicos. Para desarrollar este enfoque, se construyó una base de datos de 6,255 imágenes: 1,567 se generaron a partir de fuentes propias y 4,688 mediante técnicas de aumento de datos. Las imágenes fueron segmentadas manualmente, lo que permitió crear un conjunto de datos de entrenamiento para modelos de segmentación. Con esta base de datos, se implementaron, entrenaron y compararon cinco arquitecturas de segmentación: U-Net, Shallow U-Net, VGG U-Net, ResNet101 U-Net y DeepLabV3+, evaluándolas mediante métricas de desempeño como IoU y F1-score, destacando ResNet101 U-Net por su mejor rendimiento, con un IoU de 0.693 y un F1-score de 0.816. El modelo seleccionado fue aplicado sobre ortomosaicos georreferenciados de la Av. Argentina, comparando sus resultados con segmentaciones manuales en zonas representativas. Los resultados mostraron que la automatización redujo significativamente el tiempo de análisis, manteniendo un alto nivel de precisión en la segmentación de grietas en ortomosaicos, mostrando mayor eficiencia y optimizando el monitoreo vial de manera rápida y eficiente.

The detection of distresses in flexible pavements poses a significant challenge for road infrastructure maintenance. Traditional inspections, based on visual observations and manual techniques, are often time-consuming, costly, and prone to human error, hindering timely decision-making. In response to this issue, the present research proposes the automation of crack detection using a supervised convolutional neural network applied to the analysis of georeferenced orthomosaics. To support this approach, a dataset of 6,255 images was constructed: 1,567 images were derived from original sources, while 4,688 were generated through data augmentation techniques. All images were manually segmented, enabling the creation of a reliable training set for semantic segmentation models. Using this dataset, five segmentation architectures were implemented, trained, and compared: U-Net, Shallow U-Net, VGG U-Net, ResNet101 U-Net, and DeepLabV3+. Their performance was evaluated using metrics such as Intersection over Union (IoU) and F1-score. ResNet101 U-Net achieved the best performance, with an IoU of 0.693 and an F1-score of 0.816. The selected model was then applied to georeferenced orthomosaics of Av. Argentina, and its outputs were compared with manually segmented areas in representative zones. The results demonstrated that the automated method significantly reduced analysis time while maintaining high segmentation accuracy, thus improving efficiency and enabling rapid pavement condition monitoring.