Structural Analysis of Road Potholes Using Deep Neural Networks
Portada
Cargando...
PDF 
FLIP 
XML 
Archivo Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Instituto Tecnológico Metropolitano (ITM)
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Descripción
The rapid growth of the global population has intensified vehicular traffic, posing a significant challenge to its management. In developing countries such as Colombia, traffic accidents exhibit high mortality rates, largely attributed to road defects, such as cracks and potholes. Given this problem, the objective of this study was to develop an automated system for detecting defects in urban pavements using Convolutional Neural Networks (CNNs) to classify 11 types of road surface failure. The methodology involved creating a dataset from images of defective roads, which was used to train deep neural network models. Two optimizers, SGDM and ADAM, were evaluated using color and grayscale pictures, processed in MATLAB® and validated by civil engineering experts. The results showed that the SGDM optimizer achieved an accuracy of 74.67 % with color images, while ADAM achieved a performance of 52.51 % with grayscale images. These findings demonstrated the potential of CNNs and digital image processing techniques to automate pavement inspection, increasing both efficiency and accuracy in evaluating road infrastructure. Finally, it is concluded that the use of deep neural networks represents a viable alternative for developing intelligent pavement management systems and supports the implementation of data-driven solutions to optimize urban road maintenance.
El aumento acelerado de la población mundial ha intensificado el tráfico vehicular, lo que plantea un desafío significativo para su gestión. En países en desarrollo como Colombia, los accidentes de tránsito presentan una alta tasa de mortalidad, atribuida en gran medida a defectos en las carreteras, como grietas y baches. Ante esta problemática, el objetivo de este estudio fue desarrollar un sistema automatizado para la detección de defectos en pavimentos urbanos, utilizando redes neuronales convolucionales (CNN, por sus siglas en inglés) para clasificar 11 tipos de fallas en las vías. La metodología empleada consistió en la creación de una base de datos a partir de imágenes de carreteras con defectos, la cual fue utilizada para entrenar los modelos de redes neuronales profundas. Se evaluaron dos optimizadores, SGDM y ADAM, aplicados sobre imágenes a color y en escala de grises, procesadas en MATLAB® y validadas por expertos en ingeniería civil. Los resultados mostraron que el optimizador SGDM alcanzó una precisión del 74.67 % con imágenes a color, mientras que ADAM obtuvo un desempeño del 52.51 % con imágenes en escala de grises. En general, los hallazgos confirmaron la viabilidad de las CNN y las técnicas de procesamiento digital de imágenes para automatizar el proceso de inspección de pavimentos y mejorar la eficiencia y precisión de la evaluación de la infraestructura vial. Finalmente, se concluye que el uso de redes neuronales profundas constituye una alternativa confiable para el desarrollo de sistemas inteligentes de gestión de pavimentos y respalda la implementación de soluciones basadas en datos para optimizar el mantenimiento de las vías urbanas.
El aumento acelerado de la población mundial ha intensificado el tráfico vehicular, lo que plantea un desafío significativo para su gestión. En países en desarrollo como Colombia, los accidentes de tránsito presentan una alta tasa de mortalidad, atribuida en gran medida a defectos en las carreteras, como grietas y baches. Ante esta problemática, el objetivo de este estudio fue desarrollar un sistema automatizado para la detección de defectos en pavimentos urbanos, utilizando redes neuronales convolucionales (CNN, por sus siglas en inglés) para clasificar 11 tipos de fallas en las vías. La metodología empleada consistió en la creación de una base de datos a partir de imágenes de carreteras con defectos, la cual fue utilizada para entrenar los modelos de redes neuronales profundas. Se evaluaron dos optimizadores, SGDM y ADAM, aplicados sobre imágenes a color y en escala de grises, procesadas en MATLAB® y validadas por expertos en ingeniería civil. Los resultados mostraron que el optimizador SGDM alcanzó una precisión del 74.67 % con imágenes a color, mientras que ADAM obtuvo un desempeño del 52.51 % con imágenes en escala de grises. En general, los hallazgos confirmaron la viabilidad de las CNN y las técnicas de procesamiento digital de imágenes para automatizar el proceso de inspección de pavimentos y mejorar la eficiencia y precisión de la evaluación de la infraestructura vial. Finalmente, se concluye que el uso de redes neuronales profundas constituye una alternativa confiable para el desarrollo de sistemas inteligentes de gestión de pavimentos y respalda la implementación de soluciones basadas en datos para optimizar el mantenimiento de las vías urbanas.