Detección automatizada de grietas en pavimentos flexibles en vías urbanas para asegurar el tiempo de vida útil
DOI:
https://doi.org/10.62428/rcvp2026512106Palabras clave:
Inteligencia artificial, pavimento flexible, operación y mantenimiento, índice de condición del pavimento, grietasResumen
La investigación tuvo como objetivo determinar mediante imágenes con el uso de la inteligencia artificial la detección de grietas en pavimentos flexibles dentro de la zona urbana del distrito de La Banda de Shilcayo (Tarapoto). La investigación es de tipo no experimental, con un diseño descriptivo – comparativo, el método utilizado fue la recolección de imágenes fotográficas, para que posteriormente con la ayuda del lenguaje de programación Python y el algoritmo YOLO, se obtenga un modelo que permita con la visulización de imágenes la identificación y cuantificación en ml de las grietas en el pavimento, las cuales fueron separadas en unidades de análisis de acuerdo al método PCI, haciendo que de esta forma no solo se obtengan información confiable y rápida, sino se reduzcan costos y tiempos del personal técnico enviado a campo que se emplea para obtener esta misma información. Los resultados obtenidos han sido comparados con la información que se ha levantado en campo, arrojando un nivel de error en promedio de 1 cm a 2 cm de diferencia con la información que nos arroja el modelo desarrollado, esto con respecto a la longitud de las grietas. Mediante el método PCI se ha podido determinar cuál es el estado del pavimento, en que zonas se necesita intervención con mantenimiento rutinario, mantenimiento recurrente o mantenimiento periódico, así mismo se ha demostrado la reducción de trabajo humano y tiempo empleado en obtener información real del estado de las vías, lo cual se ha traducido en beneficios económicos para los administradores de las vías, pero más que beneficios económicos la importancia de tener actualizada esta información se traduce en intervenciones oportunas que facilitan los servicios que brindan hacia los ciudadanos.
Descargas
Citas
Abu, S., Ait, M., Zeiada, W., Hamad, K., & Al-Ruzouq, R. (2025). Artificial intelligence applications in pavement infrastructure damage detection with automated three-dimensional imaging – A systematic review. Alexandria Engineering Journal, 117, 510-533. https://doi.org/10.1016/j.aej.2024.11.081
Alkhedher, M., Alsit, A., Alhalabi, M., AlKheder, S., Gad, A., & Ghazal, M. (2025). Novel pavement crack detection sensor using coordinated mobile robots. Transportation Research Part C: Emerging Technologies, 172, 105021. https://doi.org/10.1016/j.trc.2025.105021
Boakye, J., Guidotti, R., Gardoni, P., & Murphy, C. (2022). The role of transportation infrastructure on the impact of natural hazards on communities. Reliability Engineering & System Safety, 219, 108184. https://doi.org/10.1016/j.ress.2021.108184
Callcut, M., Cercesau, J., Vargas, L., & McMillan, L. (2021). Digital twins in civil infrastructure systems. Sustainability, 13, 11549. https://doi.org/10.3390/su132011549
Chang, X., Zhang, R., Mao, J., & Fu, Y. (2024). Digital Twins in Transportation Infrastructure: An Investigation of the Key Enabling Technologies, Applications, and Challenges. IEEE Transactions on Intelligent Transportation Systems, 25(7), 6449-6471. https://doi.org/10.1109/TITS.2024.3401716
Guerrieri, M., & Parla, G. (2022). Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices. Engineering Failure Analysis, 141, 106714. https://doi.org/10.1016/j.engfailanal.2022.106714
Hong, S. V., Tien, K. V., Quang Le, H., & Tran, P. (2023). Road surface damages allocation with RTI-IMS software based on YOLO V5 model. Sustainable and Resilient Infrastructure, 9(3), 242–261. https://doi.org/10.1080/23789689.2023.2287857
Hvala, B., Dos Santos, M., Lopes, L., Lellis, M., & De Araújo, I. (2022). Analysis of maintenance activities in Urban Pavement Management Systems based on Decision Tree Algorithm. Procedia Computer Science, 214, 712-719. https://doi.org/10.1016/j.procs.2022.11.233
Koch, C., Jog, G., Brilakis, I. (2023). Automated pothole distress assessment using asphalt road surface video data. Journal of Computing in Civil Engineering, 27(4). https://doi.org/10.1061/(ASCECP.1943-5487.0000232
Maeda, H., Sekimoto, Y., Seto, T., Kashiyama, T., & Omata, H. (2018). Road damage detection and classification using deep neural networks with smartphone images. Computer‐Aided Civil and Infrastructure Engineering, 33(12), 1127-1141. https://doi.org/10.1111/mice.12387
Ministerio de Economía y Finanzas del Perú [MEF]. (2021). Nota técnica para la identificación y estimación de los costos de mantenimiento de inversiones. https://www.mef.gob.pe/contenidos/inv_publica/anexos/anexo1_RD006_2021EF6301.pdf
Ouma, Y., & Hahn, M. (2016). Wavelet-morphology based detection of incipient linear cracks in asphalt pavements from RGB camera imagery and classification using circular Radon transform. Adv. Eng. Inform., 30, 481–499. https://doi.org/10.1016/j.aei.2016.06.003
Paredes, V., & Rodríguez, R. (2011). Modelo de gestión de conservación vial para reducir los costos de mantenimiento vial y operación vehicular en los caminos rurales de las poblaciones de Riobamba, San Luis, Punín, Flores, Cebadas de la provincia de Chimborazo [Tesis de pregrado, Universidad Técnica de Ambato]. Repositorio UTA. https://repositorio.uta.edu.ec/jspui/handle/123456789/2199
Puente, I., González, H., Martínez, J., & Arias, P. (2013). Review of mobile mapping and surveying technologies. Measurement, 46(7), 2127-2145. https://doi.org/10.1016/j.measurement.2013.03.006
Sun, Y., Tang, H., & Zhang, H. (2024). Automatic Detection of Pavement Marking Defects in Road Inspection Images Using Deep Learning. Journal of Performance of Constructed Facilities, 38(2). https://doi.org/10.1061/JPCFEV.CFENG-4619
Yu, G., Wang, Y., Hu, M., Shi, L., Mao, Z., & Sugumaran, V. (2021). RIOMS: An intelligent system for operation and maintenance of urban roads using spatio-temporal data in smart cities. Future Generation Computer Systems, 115, 583-609. https://doi.org/10.1016/j.future.2020.09.010
Zhengji, L., Jiacheng, X., Yuxiao, F., Wentao, W., Gang, C., Liqiang, Z., & Tianyang, W. (2024) A Efficient and Robust Framework for Pavement Damage Detection. Journal of Latex Class Files, 14(8), https://doi.org/10.48550/arXiv.2405.17905
Zhu, J., Zhong, J., Ma, T., Huang, X., Zhang, W., & Zhou, Y. (2022). Pavement distress detection using convolutional neural networks with images captured via UAV. Automation in Construction, 133, 103991. https://doi.org/10.1016/j.autcon.2021.103991
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Edwar Garcia Arevalo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Usted es libre de:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y desarrollar el material.
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
Bajo los siguientes términos:
- Atribución: Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de forma que sugiera que el licenciante lo respalda a usted o su uso.
- No comercial: No está permitido utilizar este material con fines comerciales.
- Compartir Igual: si remezcla, transforma o crea obras derivadas del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales: no podrá aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros para que no hagan nada de lo que permite la licencia.
