Photogrammetry-Driven Detection of Structural Peeling in Joints and Corners of Rigid Pavements Using an Unsupervised Learning Meta-Architecture

Resumen:
Este estudio propone la metaarquitectura SS-XceVNet, que integra Xception y VGG16 para detectar el desprendimiento estructural en pavimentos rígidos de forma automatizada, reduciendo así la dependencia de grandes conjuntos de datos etiquetados. Con el aumento del tráfico y la exposición a factores ambientales, las fallas en las juntas y esquinas de pavimentos rígidos son cada vez más frecuentes, lo que hace que las inspecciones manuales sean lentas, peligrosas y subjetivas. Para abordar este problema, se desarrolló un método en cuatro fases. En primer lugar, se utilizan técnicas de fotogrametría y aumento de datos para recopilar y aumentar la variedad de imágenes. Posteriormente, se aplicó aprendizaje autosupervisado a datos no etiquetados para reducir la dependencia de las anotaciones manuales. SS-XceVNet se entrenó con datos etiquetados, combinando la robustez de Xception y VGG16 para refinar la precisión. Finalmente, los resultados se compararon con los del modelo basado en XceVNet. Las evaluaciones mostraron que SS-XceVNet alcanzó una precisión del 80,43 %, superando el 47,83 % del modelo base. Esto subraya la utilidad del aprendizaje auto supervisado y la integración de arquitecturas avanzadas en la detección de fallas en el pavimento. En conclusión, este enfoque mejora la eficiencia en la evaluación funcional de las infraestructuras viales, a la vez que reduce costos y riesgos laborales, sentando las bases para futuras investigaciones que contribuyan a la implementación de sistemas de mantenimiento proactivo. De esta forma, la detección automatizada refuerza el control de calidad de los pavimentos, lo que favorece la seguridad vial y prolonga la vida útil de las carreteras.