Thesis: Evaluación de condición de pavimentos urbanos utilizando machine learning
| datacite.subject.fos | Engineering and technology::Civil engineering::Civil engineering | |
| datacite.subject.fos | Natural sciences::Computer and information sciences | |
| dc.contributor.department | Departamento de Obras Civiles | |
| dc.contributor.guia | Osorio Lird, Aleli | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Gómez Conti, Paulina Beatriz | |
| dc.date.accessioned | 2025-06-18T15:42:07Z | |
| dc.date.available | 2025-06-18T15:42:07Z | |
| dc.date.issued | 2023-08 | |
| dc.description.abstract | En la gestión de pavimentos, contar con una base de datos confiable sobre el estado de las vías es fundamental para modelar el comportamiento de los pavimentos en el tiempo e implementar estrategias de mantenimiento preventivo en lugar de reactivo, lo que implica menores costos y una mejor utilización de los recursos. Actualmente, los levantamientos manuales estándar para pavimentos asfálticos evalúan solo el 24 % de la superficie, ya que los operadores inspeccionan franjas de 6 metros cada 25 metros. Si bien existen métodos automáticos como el sistema Laser Crack Measurement System (LCMS), que permite obtener imágenes 3D de alta precisión, su alto costo los hace inaccesibles para muchas entidades. En Chile, no existe una base de datos oficial sobre la condición de pavimentos urbanos. La más cercana es el SGPU, pero no se ha implementado debido a la falta de datos. El monitoreo manual es lento, depende del evaluador y no permite abarcar toda la red. Por otro lado, los sistemas automáticos son inasequibles para municipios u organismos locales. Esta investigación propone una tecnología de bajo costo y alta eficiencia para evaluar el estado de pavimentos asfálticos urbanos a nivel de red. Se recopilaron más de 50.000 imágenes (de 13,5 x 2,6 metros) de pavimentos asfálticos en distintas zonas de Santiago, Chile. Estas imágenes fueron etiquetadas manualmente para cinco tipos de deterioros: parches, baches y grietas transversales, longitudinales y por fatiga, en dos niveles de severidad. Los datos se usaron para entrenar y evaluar redes neuronales convolucionales de detección de objetos: YOLOv5 y YOLOv7. Se realizaron cinco entrenamientos por modelo con distintas particiones entre entrenamiento, validación y prueba. Los resultados finales son el promedio de estas cinco ejecuciones. Finalmente, al analizar una nueva sección de pavimento, la red entrega un archivo resumen con la cantidad, severidad y dimensiones de los deterioros, lo que permite construir un índice de condición del pavimento. | es |
| dc.description.abstract | In pavement management, having a reliable database on road condition is essential for modeling pavement performance over time and implementing preventive rather than reactive maintenance strategies—resulting in lower costs and more efficient resource use. Currently, standard manual surveys for asphalt pavements assess only 24% of the surface, as operators evaluate a 6-meter strip every 25 meters. While automated systems like the Laser Crack Measurement System (LCMS) provide accurate 3D imaging and evaluation, their high cost makes them inaccessible for many applications. In Chile, there is no official urban pavement condition database. The closest is the SGPU, which has not been implemented due to lack of data. Manual surveys are slow and dependent on human judgment, making them impractical for evaluating entire networks. Automated methods, in contrast, are unaffordable for local agencies. This research proposes a low-cost, efficient technology for assessing the condition of urban asphalt pavements at the network level. Over 50,000 images (13.5 x 2.6 meters each) of asphalt pavements from various areas in Santiago, Chile were collected. These images were manually labeled for five types of distresses—patches, potholes, and transverse, longitudinal, and fatigue cracking—each with two severity levels. The labeled dataset was used to train and evaluate convolutional neural networks for object detection: YOLOv5 and YOLOv7. Five different training rounds were conducted per model with varying data distributions. Final results represent the average performance across all runs. For new pavement sections, the model outputs a summary file with the number, severity, and dimensions of distresses, enabling the construction of a pavement condition index. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Civil | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 129 páginas | |
| dc.identifier.doi | 10.71959/fty2-nr92 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3893 | |
| dc.identifier.uri | https://doi.org/10.71959/fty2-nr92 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-NonCommercial 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | |
| dc.subject | condición de pavimentos urbanos | |
| dc.subject | mantenimiento preventivo | |
| dc.subject | aprendizaje automático | |
| dc.subject | redes neuronales convolucionales | |
| dc.subject | detección de fallas | |
| dc.subject | urban pavement condition | |
| dc.subject | preventive maintenance | |
| dc.subject | machine learning | |
| dc.subject | convolutional neural networks | |
| dc.subject | distress detection | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.subject.ods | 12 Producción y consumo responsables | |
| dc.title | Evaluación de condición de pavimentos urbanos utilizando machine learning | |
| dspace.entity.type | Tesis |
Política de Privacidad 
