Resumen en español

Los baches constituyen una de las patologías más comunes y estudiadas del pavimento a nivel mundial, afectando la seguridad, los costos de transporte y la calidad de vida en países como Estados Unidos, Reino Unido, India y Japón (Koch & Brilakis, 2011; HemaMalini et al., 2021; Chitale et al., 2020). La aparición de estas fallas, asociadas a procesos de infiltración de agua, fatiga del pavimento y tráfico pesado, ha impulsado el desarrollo de sistemas automatizados de inspección basados en visión por computador y aprendizaje profundo. En este contexto global, Colombia no es la excepción, presentando un deterioro vial significativo y afectaciones recurrentes para los usuarios (Gil, 2023; INVIAS, 2022). Por lo anterior, teniendo en cuenta el crecimiento de las tecnologías y el aumento de investigaciones relacionadas con la inteligencia artificial, machine Learning y Deep Learning enfocadas a la detección de objetos; se propone el desarrollo de una aplicación web llamada GeoBach para el reconocimiento de baches en vías asfálticas por medio del uso de modelos de redes neuronales convolucionales (CNN). El objetivo de esta aplicación web es facilitar el proceso de inspección visual para la detección de baches en pavimentos asfálticos a través de la toma de fotografías con VANT; así mismo permite llevar un registro de estos con coordenadas donde fueron capturadas las imágenes, con el conteo de baches, medidas en metros y con la capacidad de descargar la información por medio de un archivo de tipo CSV. Para el desarrollo de este trabajo, se hizo uso de React que permitió desarrollar el frontend de la aplicación de la mano con el principio DRY (Don’t Repeat Yourself); el backend se construyó con Python y FastAPI, facilitando la gestión de solicitudes por parte del usuario. La aplicación resultante llamada GeoBach se encuentra conectada con un modelo de detección de YOLOV7 Tiny resultante de un proceso de doble entrenamiento, el primer modelo se entrenó con un dataset más robusto en comparación con el segundo que fue utilizado con el propósito de ajustar el modelo a características más específicas; finalmente como resultado se obtuvo un mAP @0.5 del 70.7%, una recuperación (recall) de 69.7% y una precisión del 70.17%.