Reconocimiento de Grietas en Estructuras de Masonería: Modelos de CNN con Conjuntos de Datos Limitados

Esta investigación se centra en la tarea de Identificación de Grietas en Muros de Masonería utilizando datos limitados, empleando modelos de Red Neuronal Convolucional (CNN) de última generación. Los modelos investigados incluyen VGG16, MobileNetV2, Xception y DenseNet121. El conjunto de datos, que consta de 946 imágenes de muros de masonería que contienen grietas, se utiliza para evaluar la efectividad de cada modelo en este dominio específico. El conjunto de entrenamiento comprende 642 imágenes, el conjunto de validación consta de 90 imágenes y el conjunto de prueba incluye 214 imágenes. Los modelos se preentrenan en conjuntos de datos a gran escala para extraer características robustas y luego se ajustan a los datos de grietas de muros de masonería. Entre los modelos, DenseNet121 se destaca, logrando una precisión encomiable del 85.98% en la identificación precisa de grietas en muros de masonería. Este resultado subraya la eficacia de DenseNet121 para la desafiante tarea de identificación de grietas en estructuras de masonería utilizando datos limitados. Este estudio no solo contribuye al campo del monitoreo de la salud estructural, sino que también enfatiza la practicidad de utilizar modelos de CNN para aplicaciones en el mundo real, particularmente en el crítico ámbito de la identificación de grietas en masonería.