Arquitectura CNN basada en U-Net para la segmentación de grietas en carreteras

Se pueden encontrar muchos estudios sobre la segmentación semántica de grietas utilizando la técnica de aprendizaje automático (ML) en la literatura relevante. Hasta la fecha, los resultados obtenidos son bastante buenos, pero a menudo la precisión del modelo entrenado y los resultados obtenidos se evalúan solo con métricas tradicionales, y en la mayoría de los casos, el objetivo es detectar únicamente la ocurrencia de grietas. Se debe prestar especial atención al grosor de la grieta segmentada, ya que en el mantenimiento del pavimento de carreteras, el ancho de la grieta es el principal parámetro y es el que caracteriza los niveles de severidad. El objetivo de nuestro estudio es optimizar el proceso de segmentación de grietas mediante la implementación de un algoritmo basado en un modelo U-Net modificado. Para esto, se utiliza el conjunto de datos Crack500 y luego se comparan los resultados con los obtenidos del algoritmo U-Net, que actualmente se encuentra como el más preciso y eficiente en la literatura. Los resultados son prometedores y precisos, ya que los hallazgos sobre la forma y el ancho de las grietas segmentadas son muy cercanos a la realidad.