Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Alanya Cuba, Emergio"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • No Thumbnail Available
    Item
    "Desarrollo de un modelo de aprendizaje automático para evaluar daños en pavimentos flexibles mediante el procesamiento de imágenes en el tramo Socos - Licapa, 2025"
    (Universidad Nacional de San Cristóbal de Huamanga, 2025) Alanya Cuba, Emergio; Retamozo Fernández, Saúl Walter
    La identificación de grietas en el tramo Socos-Licapa de la Vía Los Libertadores-Wari es fundamental para mantener la seguridad del tránsito vehicular. El uso de métodos tradicionales de inspección visual suele interrumpir el flujo normal del tráfico y presenta limitaciones en cuanto a objetividad y tiempo de ejecución. Por ello, se propone un algoritmo de detección basado en YOLOv12, diseñado para identificar grietas en carreteras mediante imágenes captadas con drones (UAV), cámaras convencionales y fotografías terrestres, empleando técnicas de visión por computadora. Este algoritmo busca alcanzar una detección precisa de grietas en distintos tamaños y escalas. Las pruebas realizadas con nuestro dataset, que contiene 1871 imágenes de escenas cercanas y lejanas captadas con cámara, evidencian la efectividad del modelo YOLOv12 utilizando Deep Learning. Se obtuvo una precisión del modelo para todas las clases de fallas con un mAP@50 de 70.4% y un mAP@[50:95] de 41.9%. Estos resultados confirman que el modelo mantiene un bajo peso computacional y ofrece un rendimiento de detección altamente eficaz, cumpliendo así con el objetivo trazado. La metodología utilizada es no experimental y transeccional, ya que los datos fueron recolectados en un solo momento, por lo que las imágenes obtenidas corresponden a un espacio y tiempo.

dggggg

sws

Este repositorio, elaborado en base a software Dspace, recopila la documentación y publicaciones institucionales, producto de la investigación y el desempeño en defensa de la competencia, la propiedad intelectual y protección al consumidor, para su difusión en el entorno social y académico.

 

Ubícanos

  • Av. independencia S/N - Ciudad Universitaria
  • Email: repositorio@unsch.edu.pe
  • repositorio@unsch.edu.pe
  • Horario Lunes - Viernes 8:00 a 15:00 h

Repositorio

  • Políticas
  • Formatos
  • Manuales

DSpace software copyright © 2002-2026 LYRASIS

  • Cookie settings
  • Privacy policy
  • End User Agreement
  • Send Feedback