REDES NEURONALES CONVOLUCIONALES (RNC), PARA IDENTIFICAR Y CLASIFICAR DAÑOS EN MATERIALES ESTRUCTURALES A PARTIR DE IMÁGENES FOTOGRÁFICAS

Resumen

Este artículo de revisión analiza el uso de redes neuronales convolucionales (RNC) para identificar y clasificar daños en materiales estructurales mediante imágenes fotográficas. A partir de estudios publicados entre los años 2018 y 2025, se evidencia que estas arquitecturas aventajan en cierta medida a la inspección visual manual por su mayor objetividad y rapidez. Los diferentes modelos de transferencia de aprendizaje, segmentación y aprendizaje conjunto alcanzan precisiones superiores al 98% en detección de grietas, fisuras y armaduras expuestas. Además, técnicas como Gradient Activation Mapping (Grad-CAM) mejoran la interpretación de los resultados; existen limitaciones vinculadas con la naturaleza bidimensional de las imágenes, lo que restringe la estimación precisa de la profundidad de los daños. En consecuencia, se concluye que las RNC es una herramienta eficaz para el monitoreo preventivo de infraestructuras, aunque se requiere avanzar hacia modelos tridimensionales y multimodales para estimaciones más precisas.