Fernández Gómez, Wilmar DaríoLandecho Muzuzu, Gabriell AlejandraPérez Quintero, Jeferson Stive2024-05-242024-05-242023-04-14http://hdl.handle.net/11349/35545A pesar de que existen diferentes métodos de inteligencia artificial para la detección y clasificación de los daños de la infraestructura vial, se evidencia la ausencia de investigación en la gestión y mantenimiento de pavimentos rígidos. La presente investigación se enfoca en establecer un modelo de inteligencia artificial para la evaluación de deterioros del pavimento rígido por medio de la estimación del índice de serviciabilidad presente (PSI). Se desarrolló un algoritmo de inteligencia artificial, el que procesa datos de imágenes para obtener un valor del índice. Esta investigación se abordó mediante 3 ejes: Se captaron 69 vídeos de diferentes sectores de Bogotá D.C, de los que se obtuvieron una biblioteca de imágenes de 5046 diferentes estados de pavimento rígido. Las cuales fueron clasificadas en grupos de 200 imágenes, por un grupo de Ingenieros con experiencia en la gestión de pavimentos y permitieron alimentar las redes neuronales convolucionales (VGG16, Resnet 50, PROPIA, EfficientNetB0). Las mejores métricas de desempeño, precisión de 75% y perdida de 0.68 se obtuvieron de la implementación de la red preentrenada EfficientNetB0. Este trabajo es un punto de partida para la gestión y mantenimiento de pavimentos rígidos con herramientas tecnológicas novedosas mejorando la cantidad de tiempo y esfuerzo humano empleado cotidianamente.Although there are different artificial intelligence methods for the detection and classification of damages to road infrastructure, the absence of research in the management and maintenance of rigid pavements is evident. This research focuses on establishing an artificial intelligence model for the evaluation of deterioration in rigid pavements by estimating the present serviceability index (PSI). An artificial intelligence algorithm was developed that processes image data to obtain a PSI value. This research was approached through 3 axes: 69 videos were captured from different sectors of Bogotá D.C., from which a library of 5046 images of different states of rigid pavement was obtained. These were classified into groups of 200 images by a group of engineers experienced in pavement management and allowed for the training of convolutional neural networks (VGG16, Resnet 50, OWN, EfficientNetB0). The best performance metrics, precision of 75% and loss of 0.68, were obtained from the implementation of the pre-trained EfficientNetB0 network. This work is a starting point for the management and maintenance of rigid pavements with novel technological tools, improving the amount of time and human effort employed daily.pdfspaCC0 1.0 Universalhttp://creativecommons.org/publicdomain/zero/1.0/Clasificación de imágenesAprendizaje profundoDaños en pavimentosFirmesFisurasImagen digitalImagen de pavimentosÍndice de condición del pavimento (PCI)Lógica difusaMantenimiento vialPatologíasPavimentoPythonProcesamiento de imágenesRedes neuronales artificialesRehabilitación vialbachelorThesisIngeniería Civil -- Tesis y disertaciones académicasInteligencia artificialInfraestructura vialPavimentos rígidosRedes neuronales convolucionalesRestrictedAccessImage classificationDeep learningDamage to pavementsFirmFissuresDigital imageImage of pavementsPavement condition index (PCI)Diffuse logicRoad maintenancePathologiesPavementPythonImage processingArtificial neural networksRoad rehabilitationRestringido (Solo Referencia)