Echtdaten-Satz von Straßenschäden mit Schlaglöchern, Rissen und Wartungslöchern

Warum holprige Straßen wichtig sind

Wer schon einmal einem Schlagloch ausgewichen ist oder gespürt hat, wie das Auto über einen Riss ruckt, weiß: beschädigte Straßen sind mehr als nur lästig – sie beeinträchtigen die Sicherheit, treiben Reparaturkosten und beeinflussen das reibungslose Funktionieren von Städten. Jede Straße manuell zu kontrollieren ist jedoch langsam, teuer und mitunter gefährlich. Diese Studie stellt eine neue Sammlung realer Straßenfotos vor, die Computern helfen soll, automatisch Schlaglöcher, Risse und Schachtdeckel zu erkennen, damit Straßenmeistereien Reparaturen schneller und gerechter in urbanen und ländlichen Gebieten planen können.

Ein genauerer Blick auf beschädigte Straßen

Die Autorinnen und Autoren konzentrieren sich auf drei verbreitete Merkmale abgenutzter Straßen: Schlaglöcher, Risse und Schachtdeckel. Schlaglöcher sind die bekannten schalenförmigen Vertiefungen, die Reifen und Fahrwerk beschädigen können. Risse sind dünne Aufbrüche, die sich ausbreiten und schließlich zu größeren Schäden werden können. Schachtdeckel sind runde Abdeckungen, die zu Rohr- und Kabelanlagen unter der Straße führen. Obwohl sie keine Schäden sind, können sie auf Fotos überraschend wie Schlaglöcher aussehen. Frühere Straßendatensätze haben Schachtdeckel oft ignoriert oder mit Schäden vermischt, was es für Computersysteme erschwerte, schädliche Defekte von normaler Infrastruktur zu unterscheiden.

Wie die Fotos gesammelt wurden

Um ein realistischeres Bild des Alltagsverkehrs zu erzeugen, sammelte das Team manuell Bilder in und um Rom sowie in der nahegelegenen Gemeinde Sacrofano in Italien. Sie nutzten zwei kostengünstige Geräte, die sich viele Städte leisten könnten: eine GoPro-Kamera an der Windschutzscheibe eines Autos und ein einfaches Samsung-Smartphone, das im Stillstand des Fahrzeugs aufgenommen wurde. Bei moderaten Geschwindigkeiten zeichneten sie Straßen unter verschiedenen Licht- und Wetterbedingungen auf und extrahierten Standbilder, auf denen Straßenschäden gut sichtbar waren. Alle Bilder wurden auf eine praktische Auflösung skaliert und sorgfältig geprüft: Gesichter und Nummernschilder wurden unkenntlich gemacht, sehr schlechte Aufnahmen entfernt und Szenen mit extremer Dunkelheit, Blendung oder starkem Regen, die eine zuverlässige Kennzeichnung erschwert hätten, ausgeschlossen.

Wie Straßenszenen in nutzbare Daten verwandelt wurden

Nach der Säuberung der Bilder markierten die Forschenden 2009 Fotos von Hand und kennzeichneten jedes sichtbare Schlagloch, jeden Riss und jeden Schachtdeckel. Sie verwendeten spezielle Annotationssoftware, mit der man Rechtecke um jedes Objekt zeichnen und es einer der drei Kategorien zuordnen kann. Insgesamt wurden 1261 Schlaglöcher, 2519 Risse und 957 Schachtdeckel beschriftet. Die Dateien sind in Formaten gespeichert, die direkt mit gängigen KI-Tools kompatibel sind, sodass andere Gruppen die Bilder und Labels leicht laden können. Der Datensatz umfasst außerdem städtische und ländliche Straßen, nasse und trockene Oberflächen sowie unterschiedliche Blickwinkel und vermittelt Computern damit ein reichhaltigeres Bild davon, wie Schäden von einem fahrenden Fahrzeug oder einer am Straßenrand stehenden Person wirklich aussehen.

Tests intelligenter Detektoren mit dem neuen Datensatz

Um die praktische Nützlichkeit der Sammlung zu prüfen, trainierten die Autorinnen und Autoren mehrere moderne Objekterkennungssysteme, darunter aktuelle kompakte Versionen der YOLO-Familie, die für den Einsatz auf kleinen Rechnern gedacht sind. Sie teilten den Datensatz in mehrere Folds auf und trainierten jeweils mit einem Teil der Bilder, während sie die übrigen rotierend testeten, um die Konsistenz zu prüfen. Die Modelle wurden danach bewertet, wie präzise sie Schäden meldeten, wie viele echte Defekte sie fanden und wie genau ihre Vorhersagen mit den tatsächlichen Positionen übereinstimmten. Das beste kompakte Modell erreichte eine hohe Präzision für alle drei Klassen, besonders bei Schachtdeckeln, was zeigt, dass die Bilder und Labels ein genaues Lernen unterstützen, selbst bei begrenzter Rechenleistung. Die Studie verglich zudem ältere und neuere Modellarchitekturen und fand heraus, dass aktuelle, leichte Netzwerke bei höherer Bildauflösung traditionelle Ansätze deutlich übertrafen.

Was das für die künftige Straßenerhaltung bedeutet

Für Nichtfachleute lautet die Kernbotschaft: Diese Arbeit liefert einen praktischen und offen verfügbaren Satz realer Straßenbilder, der das Trainieren und Vergleichen intelligenter Systeme zur Erkennung von Straßenschäden erleichtert. Da die Fotos mit Alltagskameras aufgenommen wurden, sowohl Stadt- als auch Landstraßen abdecken und schwierige Verwechslungen wie Schachtdeckel enthalten, bieten sie Ingenieuren eine realistische Testumgebung für Werkzeuge, die in Bussen, Servicefahrzeugen oder sogar auf Smartphones eingesetzt werden könnten. Zwar spiegelt der Datensatz aktuell italienische Straßen wider und verfolgt noch nicht die Entwicklung von Schäden über die Zeit, doch er legt eine solide Grundlage für sicherere, schnellere und kosteneffizientere Straßenerhaltung, gestützt auf zuverlässige Computer-Vision.

Zitation: Giordani, E., Arcioni, L., Gil-Martín, M. et al. Real-world road damage dataset with potholes, cracks, and maintenance holes. Sci Rep 16, 15318 (2026). https://doi.org/10.1038/s41598-026-46679-4

Schlüsselwörter: Straßenschäden, Schlaglöcher, Computer Vision, Objekterkennung, Autonomes Fahren