Detección automática de grietas basada en imágenes de puentes de concreto a través de modelos Encoder-Decoder

Memoria para optar al título de Ingeniero Civil MecánicoUna de las ramas de más desarrollo y necesidad a lo largo del país es la gestión y confiabilidad de activos físicos, junto con el crecimiento considerable en los últimos años del concepto de deep learning; todos estos temas convergen en un solo punto, la detección temprana de fallas en estructuras y equipos mecánicos. Esto potenciado por el rápido avance tecnológico , permiten obtener una gran cantidad de datos operacionales como lo son las imágenes del estado en que se encuentra una estructura, vibraciones a la que esta siendo sometida , temperaturas presentes, presiones existentes, entre otros. Esto entrega potenciales herramientas a mano de los ingenieros con el fin de poder encontrar modelos y métodos de procesar estas grandes cantidades de datos de manera eficiente con tal de sacar el mayor provecho de estos datos y poder tomar decisiones importantes a la hora de prevenir y gestionar el mantenimiento de los equipos y las estructuras. La motivación principal para la elaboración de esta memoria es formar parte del desarrollo del deep learning en Chile, aplicándolo directamente en una estructura civil como lo es un puente. El objetivo general es realizar un modelo de detección automático de grietas basado en imágenes en puente de hormigón., para luego analizar los resultados obtenidos y cuantificar las grietas presentes en la estructura civil. La metodología que se seguirá corresponde principalmente a 5 etapas importantes de trabajo, en primer lugar se tiene el análisis del dataset de imágenes entregados junto con una recopilación bibliográfica sobre la detección en imágenes, luego se usará el modelo de deep learning en tensorflow, el cual involucra la utilización de distintos modelos de segmentación obtenidos en la recopilación bibliográfica, para finalmente analizar los resultados obtenidos y concluir con la detección de la grieta. Los recursos utilizados son principalmente el dataset de imágenes de las grietas, una computadora GPU con sistema operativo Linux con tensorflow y las reuniones con el profesor guía y coguía para feedbacks y recomendaciones en caso de ser necesarias