Aprendizaje profundo para la detección automática de fisuras de hormigón usando redes neuronales convolucionales
[ES] El envejecimiento de las infraestructuras hace de suma importancia el desarrollo de herramientas eficaces y rápidas en el área de patología estructural que permitan detectar potenciales patologías estructurales. Esto permite actuar rápidamente y evitar la degradación de la estructura y posterio...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Recursos: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/174954 |
| Acesso em linha: | https://riunet.upv.es/handle/10251/174954 |
| Access Level: | acceso abierto |
| Palavra-chave: | Inteligencia artificial Ingeniería estructural Ingeniería civil Detección de fisuras Transferencia aprendizaje Redes neuronales Crack Detection Transfer learning Neural networks Deep learning Structural engineering Artificial intelligence Civil engineering INGENIERIA DE LA CONSTRUCCION Máster Universitario en Ingeniería del Hormigón-Màster Universitari en Enginyeria del Formigó |
| Resumo: | [ES] El envejecimiento de las infraestructuras hace de suma importancia el desarrollo de herramientas eficaces y rápidas en el área de patología estructural que permitan detectar potenciales patologías estructurales. Esto permite actuar rápidamente y evitar la degradación de la estructura y posteriores fallos. En este contexto, este TFM tiene como objetivo desarrollar una herramienta de deep learning basada en redes neuronales convolucionales para la detección automática de fisuras en superficies de hormigón. De esta manera y para cumplir con el objetivo propuesto, se utilizó el aprendizaje por transferencia, una de las técnicas más importantes del deep learning para el aprendizaje automático en inteligencia artificial, que consiste en la modificación de algunos patrones ya entrenados de las redes neuronales, que reconocen una serie de características generales para reconocer otras más específicas. En consecuencia, en este trabajo se comparó la efectividad, precisión y tiempo de procesamiento de tres arquitecturas de redes neuronales convolucionales (GoogleNet, AlexNet y SqueezeNet) que se entrenaron con dos bases de datos (SDNET2018 y METU) para detectar específicamente fisuras de hormigón mediante la técnica del fine tunning, con el fin de escoger solo una red que lograra identificar las fisuras de forma eficaz. Así, los resultados muestran que con Googlenet se clasifican las imágenes fisuradas y no fisuradas con una tasa de éxito del 93% . Además, se logra detectar una grieta dentro de una región de interés delimitada y se consigue determinar el momento de aparición de una fisura analizando un video de rotura de una viga. Por consiguiente y mediante este proceso, se generó una herramienta que es el punto de partida para la detección de fisuras y que, con un mayor desarrollo en el futuro, permitirá clasificar automáticamente patologías en estructuras de mediante una red neural entrenada. |
|---|