Parillo Escarsena, EdwinManchay Huancas, Natalia MartinaCcacyavilca Umiyauri, July Ariday2026-04-282026-04-282025-11-21https://hdl.handle.net/20.500.12840/10070En el Perú, el método manual de inspección de pavimentos flexibles presenta limitaciones importantes, especialmente en cuanto a tiempo y detección. Este proceso requiere identificar, medir y registrar manualmente cada falla, lo que alarga la inspección y retrasa las intervenciones. Además, la subjetividad del inspector puede afectar la clasificación de la severidad, generando diagnósticos inconsistentes y dificultando una adecuada planificación del mantenimiento rutinario. Frente a esta problemática, se desarrolló un método automatizado de detección basado en un lenguaje de programación Python en el modelo de YOLOv11. Para entrenarlo, se recolectaron 7,735 imágenes en calles de la provincia de San Román, etiquetadas manualmente según los criterios del Manual del MTC, según su tipo de falla y severidad. El modelo YOLOv11l alcanzó una Precision de 0.90, un F1-Confidence de 0.74 y un Recall de 0.90. En una prueba realizada en un tramo urbano de medio kilómetro (Jr. 7 de junio), logró un 95.6% en la clasificación del tipo de falla con su severidad, con un tiempo en procesamiento por imagen en un rango de 5 a 10 segundos. La concordancia entre el método manual y el método automatizado fue evaluada mediante el coeficiente Kappa de Cohen ponderado valores en grieta longitudinal κw = 0.85, grieta transversal κw= 0.79 y en bache κw =0.95, indicando buena concordancia. Este proyecto representa un avance hacia la integración de inteligencia artificial en la gestión vial en conservación rutinaria, al mejorar la detección de fallas y permitir decisiones más oportunas en las labores de conservación rutinaria.application/pdfspainfo:eu-repo/semantics/openAccessClasificación de severidadDetección automatizadaFallas en pavimentosPavimentos flexiblesYOLOv11info:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.01.00