Como parte de su ciclo de Miércoles de Ingeniería, la Carrera de Ingeniería Civil de la Facultad de Ingeniería de la Universidad de Lima organizó, el 31 de mayo, el webinar “Detección de fallas en la construcción mediante el análisis de fotogramas usando inteligencia artificial (IA)”, en el cual se presentaron los resultados de la investigación del mismo nombre.
La expositora fue la profesora Ana Luna Torres, ingeniera civil, coordinadora del área de Construcción y encargada del Laboratorio de Simulación de Proyectos de la Carrera de Ingeniería Civil de la Facultad de Ingeniería de la Universidad de Lima. Ella trabajó el estudio, como investigadora adjunta, con Alexandre Almeida Del Savio, director del Instituto de Investigación Científica de la Universidad de Lima, como investigador responsable; los docentes Daniel Cárdenas Salas y Mónica Vergara Olivera, como investigadores adjuntos; y el apoyo de la practicante profesional Gianella Urday Ibarra.
El estudio tuvo como propósito utilizar IA y cámaras para automatizar el control y seguimiento de procesos constructivos, detectando fallas y deficiencias de forma automática y constante. Luna Torres señaló que se propuso la instalación de cámaras convencionales y termográficas para recoger de las imágenes logradas información sobre fisuras, microfisuras y otros procedimientos constructivos relacionados para que el sistema, a partir del entrenamiento, sea capaz de identificarlos.
La investigación realizó una primera preparación de la red neuronal (YOLO v4), en la que se utilizaron 140 imágenes para la carpeta de entrenamiento (70 %) y 60 para la carpeta de evaluación (30 %) en dos tipos de clases, No_Crack y Crack, para identificar de forma general la presencia de fisuras. La IA obtuvo una veracidad de detección y clasificación del 98 % para No_Crack y de 99 % de Crack.
Finalmente, la ponente concluyó que la investigación demostró que es posible utilizar un modelo específico de red neuronal para la detección e identificación de diversos tipos de fisuras y fracturas, tanto en vigas como en columnas de concreto. El estudio sugiere utilizar un modelo de red neuronal de mejores características, como YOLO v6 o YOLO v7, incrementar la cantidad de datos (al menos 2000 imágenes) y usar otros equipos para generar data, como un emisor de onda de ultrasonido o un sistema LiDAR (Light Detection and Ranging), es decir, una tecnología que permita medir distancias desde un sensor láser y un objeto.
