Desarrollo de un algoritmo de visión artificial con redes neuronales para la detección de grietas en estructuras de hormigón
DOI:
https://doi.org/10.18050/ingnosis.v9i1.3171Palabras clave:
Fisuras, procesamiento de imágenes, visión artificialResumen
Se desarrolló un algoritmo para detectar rajaduras en las estructuras de concreto aplicando la visión artificial y técnicas de procesamiento de imágenes. El algoritmo centra su funcionamiento en una laptop Asus con procesador Intel Core i5 y Windows 11 de 64 bits, que conectado a una cámara de celular con la aplicación iVCam adquiere imágenes del concreto aplicando la técnica de fotografía básica. Las imágenes adquiridas son procesadas dentro de la laptop y se emplean métodos estadísticos y de visión artificial para detectar las anomalías presentes en estructuras de concreto u hormigón tales como fisuras en tarrajeado. A partir de las pruebas realizadas con el algoritmo, se obtuvo como resultado una eficiencia del sistema del 93,02%. Se concluye que la implementación del algoritmo mejora la calidad y buen estado del concreto a la vez permite una mayor eficiencia del proceso, llevando un control de producción diario en una base de datos almacenados.
Citas
Alarcon Carpio, J. C., & Poma Astete, R. F. (2021). Desarrollo de un algoritmo computacional de detección de equipos de protección eléctrica en personas, orientado a sistemas de vigilancia basados en cámaras IP. http://hdl.handle.net/10757/657930.
Benallal, M. A., & Tayeb, M. S. (2023). An image-based convolutional neural network system for road defects detection. IAES International Journal of Artificial Intelligence, 12(2), 577.
Cifuentes, L. V. T., Marulanda, J., & Thomson, P. (2021). Detección de grietas en el pavimento usando técnicas de procesamiento de imágenes y redes neuronales artificiales. Encuentro Internacional de Educación en Ingeniería. https://acofipapers.org.
Dung, C. V. (2019). Autonomous concrete crack detection using deep fully convolutional neural network. Automation in Construction, 99, 52-58.
Huyan, J., Li, W., Tighe, S., Zhai, J., Xu, Z., & Chen, Y. (2019). Detection of sealed and unsealed cracks with complex backgrounds using deep convolutional neural network. Automation in Construction, 107, 102946.
Kim, H., Ahn, E., Shin, M., & Sim, S. H. (2019). Crack and noncrack classification from concrete surface images using machine learning. Structural Health Monitoring, 18(3), 725-738.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.
Lee, B. Y., Kim, Y. Y., Yi, S. T., & Kim, J. K. (2013). Automated image processing technique for detecting and analysing concrete surface cracks. Structure and Infrastructure Engineering, 9(6), 567–577. https://doi.org/10.1080/15732479.2011.593891
Meléndez, R. P., Herrera, A., Pérez, J. L., & Padrón-Gómez, A. (2000). El modelo neuronal de Mcculloch y Pitts. Interpretación Comparativa del Modelo XV CONGRESO NACIONAL DE INSTRUMENTACIÓN, Guadalajara Jalisco, México.
Mohan, A., & Poobal, S. (2018). Crack detection using image processing: A critical review and analysis. alexandria engineering journal, 57(2), 787-798. https://doi.org/10.1016/j.aej.2017.01.020.
Moon, H. G., & Kim, J. H. (2011). Inteligent crack detecting algorithm on the concrete crack image using neural network. Proceedings of the 28th International Symposium on Automation and Robotics in Construction, ISARC 2011, 1461–1467. https://doi.org/10.22260/isarc2011/0279.
Nehdi, M. L., & Soliman, A. M. (2012). Artificial Intelligence Model for Early-Age Autogenous Shrinkage of Concrete. ACI Materials Journal, 109(3), 353–362. https://doi.org/10.14359/51683826.
Noori Hoshyar, A., Rashidi, M., Liyanapathirana, R., & Samali, B. (2019). Algorithm development for the non-destructive testing of structural damage. Applied Sciences, 9(14). https://doi.org/10.3390/app9142810.
Ortega Triana, J. A. (2021). Aprendizaje profundo para la detección automática de fisuras de hormigón usando redes neuronales convolucionales. http://hdl.handle.net/10251/174954.
Ortiz Castillo, J. (2015). Sistema de visión artificial humanoide para reconocimiento de formas y patrones de objetos, aplicando redes neuronales y algoritmos de aprendizaje automático. https://hdl.handle.net/20.500.14138/2010.
Pozzo, M. H. C. (2020). Uso de inteligencia artificial para la detección automatizada de fisuras en estructuras de hormigón armado (Doctoral dissertation, Pontificia Universidad Catolica de Chile (Chile)).
Silva, W. R. L. D., & Lucena, D. S. D. (2018). Concrete cracks detection based on deep learning image classification. In Proceedings (Vol. 2, No. 8, p. 489). MDPI. https://doi.org/10.3390/icem18-05387.
Spencer, B. F., Hoskere, V., & Narazaki, Y. (2019). Advances in Computer Vision-Based Civil Infrastructure Inspection and Monitoring. Engineering, 5(2), 199–222. https://doi.org/10.1016/j.eng.2018.11.030.
Thatoi, D. N. (2013). Application of Artificial Intelligence Techniques for Detection of Cracks-A Review. International Journal of Engineering and Technology, 5(1), 57–59. https://doi.org/10.7763/ijet.2013.v5.510
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Kevin Rubén Bartra Aguilar, Carlos Wilfredo Montenegro Honores, Carlos Andrés Pretell Ramirez, Raúl Alfredo Méndez Parodi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
