Deep Learning for Structural Health Monitoring: A Case of Study Using Computer Vision for Structural Pathology Detection in Bridges
Tutor/a - Director/a
Estudiante
Salazar Vasquez, Antonio José
Tipo de documento
Projecte Final de Màster Oficial
Fecha
2025
rights
Acceso abierto
Editorial
Universitat Politècnica de Catalunya
UPCommons
Resumen
Aquesta tesi aborda el desenvolupament d'un sistema automatitzat per a la detecció de patologies estructurals en infraestructures mitjançant tècniques de visió per ordinador i aprenentatge profund. Utilitzant el model YOLO com a base, s'entrenen xarxes neuronals capaces d'identificar múltiples tipus de defectes, com fissures, corrosió i desconxaments, a partir d'imatges capturades per càmeres i drons durant processos d'inspecció. La metodologia implementada combina la recopilació exhaustiva de dades, el seu etiquetatge detallat i l'entrenament de models optimitzats, destacant l'efectivitat del sistema enfront dels mètodes tradicionals d'inspecció visual en termes de precisió i eficiència.
Esta tesis aborda el desarrollo de un sistema automatizado para la detección de patologías estructurales en infraestructuras mediante técnicas de visión por computadora y aprendizaje profundo. Utilizando el modelo YOLO como base, se entrenan redes neuronales capaces de identificar múltiples tipos de defectos, como fisuras, corrosión y desconchones, a partir de imágenes capturadas por cámaras y drones durante procesos de inspección. La metodología implementada combina la recopilación exhaustiva de datos, su etiquetado detallado y el entrenamiento de modelos optimizados, destacando la efectividad del sistema frente a los métodos tradicionales de inspección visual en términos de precisión y eficiencia.
El sistema propuesto no solo mejora la exactitud y rapidez de las inspecciones visuales, sino que también supone un avance crucial en la reducción de riesgos asociados al trabajo manual en altura y en entornos peligrosos. Además, se plantea un modelo modular y escalable que permite la integración de múltiples algoritmos para abordar diversas patologías
This thesis addresses the development of an automated system for the detection of structural pathologies in infrastructures using computer vision and deep learning techniques. Based on the YOLO model, neural networks were trained to identify multiple types of defects, such as cracks, corrosion, and spalling, from images captured by cameras and drones during inspection processes. The implemented methodology combines exhaustive data collection, detailed labeling, and optimized model training, highlighting the system's effectiveness over traditional visual inspection methods in terms of precision and efficiency.
