Retamozo Fernández, Saúl WalterAlanya Cuba, Emergio2026-05-272026-05-272025TESIS CIV644_Alahttps://hdl.handle.net/20.500.14612/8789La 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.application/pdfspahttps://purl.org/coar/access_right/c_abf2ModeloAprendizaje automáticoDañosPavimentos flexiblesProcesamiento de imágenesCarreterashttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/pe-repo/ocde/ford#2.01.01