Detección automatizada de grietas en ciclovías urbanas con YOLO en Lima Metropolitana

Abstract

Las ciclovías de Lima Metropolitana necesitan mantenimiento adecuado para garantizar la seguridad de los ciclistas, pero los métodos actuales de detección de grietas no son eficientes ni automatizados. Esta tesis propone el uso de modelos basados en arquitectura YOLO y Convolutional Neural Networks (CNN) para la detección automatizada de grietas. Se recolectaron vídeos de recorridos por ciclovías, generando 91,786 imágenes, de las cuales 15,191 (17 %) fueron etiquetadas para entrenar modelos de detección. Esta base de datos se denominó “Base de Datos de Ciclovías de Lima 2024” (BDCL2024). Se entrenaron dos versiones preentrenadas de YOLO (versiones 8 y 11), utilizando imágenes de grietas en pavimentos de estudios previos y fotos locales de Lima, con el fin de evaluar el rendimiento en este contexto. Los experimentos mostraron que el modelo YOLO11 alcanzó el mejor desempeño en el subconjunto de test, con un mAP50 de 54.91 %. Los resultados subrayan la necesidad de adaptar los modelos preentrenados a contextos específicos. Aunque se lograron avances en la detección de grietas, el rendimiento en las ciclovías de Lima fue limitado, lo que sugiere la necesidad de ajustar los pesos de los modelos y mejorar la calidad del conjunto de datos. La investigación y los datos recolectados ofrecen una base clave para futuras investigaciones y mejoras en la seguridad y planificación de mantenimiento de ciclovías en Lima Metropolitana.

The bike lanes in Metropolitan Lima require proper maintenance to ensure cyclist safety, but current crack detection methods are not automated and are inefficient. This thesis proposes using models based on the YOLO architecture and Convolutional Neural Networks (CNN) for automated crack detection. Videos were collected from bike lane tours, generating 91,786 images, of which 15,191 (17 %) were labeled to train detection models. This dataset was named the “Base de Datos de Ciclov´ıas de Lima 2024”(BDCL2024). Two pre-trained versions of YOLO (versions 8 and 11) were trained using crack images from previous studies in various countries, as well as locally collected images from Lima’s bike lanes, to evaluate model performance in this specific context. Experiments showed that the YOLO11 model achieved the best performance on the test subset, with an mAP50 of 54.91 %. The results highlight the importance of adapting pre-trained models to specific contexts. Although progress was made in crack detection, the performance in Lima’s bike lanes was limited, suggesting the need to adjust model weights and improve the dataset quality. The research and collected data provide an important foundation for future studies and improvements in the safety and maintenance planning of bike lanes in Metropolitan Lima.