Evaluación automatizada de redes viales mediante inteligencia artificial: desarrollo, validación y análisis de efectividad
Loading...
Date
2026-03-23
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca. Facultad de Ingeniería
Abstract
This research developed an automated system for evaluating flexible pavements in Cuenca, utilizing the YOLOv8m architecture and Machine Learning techniques. The study addressed the subjectivity and high resource consumption associated with traditional manual inspections, proposing an objective and efficient solution. An international database of 18,000 images (Japan, China, and the USA) was adapted, achieving a superior generalization capacity that allowed the identification of local distresses with a technical accuracy of 91.54%. The system integrated tracking algorithms to correct duplicate distress counts, linking computer vision directly with VDOT standards to generate automated Excel reports featuring CCI indices and maintenance proposals. Statistical validation yielded a Mean Absolute Percentage Error (MAPE) of 20.92% and a Mean Absolute Error (MAE) of 9.93 points, placing the model within a "Reasonable Forecast" range according to Lewis's scale. Notably, a 75% agreement was reached on the suggested "Total Reconstruction" maintenance action, validating its utility for budgetary decision-making. The most significant impact was operational efficiency, achieving a 98.6% reduction in processing times (from 45 minutes to 38 seconds per kilometer). It is concluded that the model not only emulates technical judgment but also standardizes it and ensures auditable reports, establishing itself as a
Resumen
Esta investigación desarrolló un sistema automatizado para la evaluación de pavimentos flexibles en Cuenca, empleando la arquitectura YOLOv8m y técnicas de Machine Learning. El estudio abordó la subjetividad y el alto consumo de recursos de las inspecciones manuales, proponiendo una solución objetiva y eficiente. Se adaptó una base de datos de 18,000 imágenes internacionales (Japón, China, EE. UU.), logrando una capacidad de generalización superior que permitió identificar patologías locales con una precisión técnica del 91.54%. El sistema integró algoritmos de seguimiento (tracking) para corregir la duplicidad en el conteo de fallas, vinculando la visión artificial con la normativa VDOT para generar reportes automáticos en Excel con índices CCI y propuestas de mantenimiento. La validación estadística arrojó un Error Porcentual Absoluto Medio (MAPE) del 20.92% y un Error Absoluto Medio (MAE) de 9.93 puntos, situando al modelo en un rango de "Pronóstico Razonable" según la escala de Lewis. Notablemente, se alcanzó un 75% de acuerdo en la sugerencia de "Reconstrucción Total", validando su utilidad para la toma de decisiones presupuestarias. El impacto más significativo fue la eficiencia operativa, logrando una reducción del 98.6% en los tiempos de procesamiento (de 45 minutos a 38 segundos por kilómetro). Se concluye que el modelo no solo emula el juicio técnico, sino que lo estandariza y garantiza reportes auditables, consolidándose como una herramienta viable y escalable para la digitalización de la infraestructura vial en el austro ecuatoriano.
Keywords
geniería Civil, Automatización, YOLOv8m, Gestión vial, Pavimento flexible, Visión por computadora
Citation
Código de tesis
TI; 1395
Código de tesis
Grado Académico
Ingeniero Civil