Detección de grietas mediante Deep Learning basado en imágenes en concreto

Abstract

En el presente informe de tesis se presenta el tema "Detección de grietas mediante Deep Learning basado en imágenes en concreto". La segmentación de grietas en concreto es una tarea importante en temas de estructuras, debido a que estas pueden provocar problemas graves sin la debida supervisión. Gran parte de trabajos previos del mismo tema tienen enfoque en detección de grietas de manera manual y no automática, por lo que se plantea como solución utilizar una red neuronal de aprendizaje automático, de manera de realizar una clasificación y segmentación de grietas con imágenes recibidas desde la industria. Como principal motivación se tiene que la detección de grietas es una parte importante del trabajo de mantenimiento de puentes, de manera de poder evaluar su estado de salud y garantizar seguridad. Normalmente este trabajo se realiza principalmente por personal de ingeniería mediante inspección visual, un trabajo de gran dificultad y que requiere mucho tiempo, y agregando a esto la subjetividad que puede tener el personal humano [14]. Es por esto que se propone realizar esta inspección de manera automatizada, mediante la segmentación de grietas a través de una red neuronal convolucional computalizada. Es por esto que se tiene como objetivo principal la detección automática de grietas en estructuras a través de una red neuronal, por lo que para lograr esto se tienen objetivos secundarios importantes, tales como el aprendizaje de programación en base a Deep Learning y el entrenamiento de redes de segmentación de grietas de acuerdo a las imágenes recibidas. El alcance del tema propuesto se acota a la identificación de grietas de manera automática y la comparación de modelos de segmentación para el mismo objetivo, para lo cual se propone realizar un modelo computacional en base a Deep Learning con imágenes obtenidas desde el monitoreo de grietas en concreto. La metodología a seguir consiste en primera etapa en el entendimiento de datos disponibles, luego sigue la prueba de modelos de segmentación y la realización del modelo computacional necesario para lograr los objetivos. Luego prosigue aplicar el modelo a los datos disponibles (imágenes) y la comprobación de los datos obtenidos, en estas fases se produce un loop o seguimiento de las mismas, ya que el modelo computacional se debe entrenar continuamente de manera de alcanzar óptimos necesarios para lograr un porcentaje aceptable en la identificación y cuantificación de las grietas. Luego, al lograr el desarrollo del modelo computacional en base Deep Learning de manera óptima y/o aceptable se procede a generar conclusiones y tasas de falla de mediciones. Por último se generarán protocolos de gravedad y límites del programa computacional, finalizando el informe requerido. Los recursos principales para realizar el tema de memoria son una GPU (Graphics Processing Unit) y la utilización del software Python y Tensor Flow.