Características para diagnóstico en estructuras de hormigón basado en aprendizaje supervisado y procesamiento digital de imágenes

Abstract

Con el tiempo, las estructuras de hormigón como muros y puentes presentan discontinuidades superficiales, como fisuras y grietas, que afectan su estética y resistencia. La detección tradicional de estos daños se realiza mediante inspección visual humana, un proceso subjetivo que depende de la experiencia del observador y puede ser lento e impreciso. Este trabajo propone una solución automatizada basada en inteligencia artificial (IA) para la clasificación de fisuras y grietas en imágenes previamente obtenidas. Se implementaron tres algoritmos supervisados: Análisis Discriminante Lineal (LDA), Análisis Discriminante Cuadrático (QDA) y Máquinas de Soporte Vectorial (SVM). El proceso incluyó la binarización adaptativa de las imágenes, el tratamiento morfológico y la extracción de características geométricas relevantes como área, excentricidad, orientación y relación largo/ancho. Posteriormente, se entrenaron los clasificadores con los datos extraídos y se evaluó su desempeño mediante métricas como exactitud, sensibilidad, especificidad y matriz de confusión.