Resumen

Este artículo está dedicado al desarrollo de un modelo basado en aprendizaje profundo (DL) para detectar fracturas por grietas en superficies de concreto. El modelo desarrollado para la clasificación de imágenes se basó en una Red Neuronal Convolucional (CNN) de DL. Para entrenar y validar el modelo CNN, se recopiló una base de datos que contenía 40,000 imágenes de superficies de concreto (con y sin grietas) de la literatura disponible. Se tuvieron en cuenta varias condiciones en las superficies de concreto, como la iluminación y el acabado superficial (es decir, expuesto, enlucido y pintado). Se emplearon varios criterios de medición de errores como precisión, recall, especificidad, puntuación F1 y exactitud para evaluar la calidad del modelo desarrollado. Los resultados mostraron que para el conjunto de datos de entrenamiento (50% de la base de datos), la precisión, recall, especificidad, puntuación F1 y exactitud fueron del 99.5%, 99.8%, 99.5%, 99.7% y 99

• Materias:Anillos Modelos dinámicos Teoría de grupos Variedades de curvas Ecuación diferencial
• Subjects:Rings Dynamic models Group theory Varieties of curves Differential Equation
• Palabras claves:Aprendizaje profundo; Fracturas por fisuras; Superficies de concreto; Red neuronal convolucional; Clasificación de imágenes; Validación del modelo
• Keywords:Deep learning; Crack fractures; Concrete surfaces; Convolutional neural network; Image classification; Model validation