Conjunto de datos reales de daños en carreteras con baches, grietas y tapas de registro

Por qué importan las calles llenas de baches

Cualquiera que haya esquivado un bache o sentido cómo su coche da un salto al pasar sobre una grieta sabe que las carreteras dañadas son más que una molestia: afectan la seguridad, las facturas de reparación y el funcionamiento fluido de las ciudades. Sin embargo, revisar cada calle manualmente es lento, costoso y a veces peligroso. Este estudio introduce una nueva colección de fotos reales de bordes de carretera diseñada para ayudar a los ordenadores a detectar automáticamente baches, grietas y tapas de registro, de modo que los equipos de mantenimiento puedan planificar reparaciones de forma más rápida y equitativa en zonas urbanas y rurales.

Una mirada más cercana a las calzadas en mal estado

Los autores se centran en tres elementos comunes de las calles deterioradas: baches, grietas y tapas de registro. Los baches son los huecos con forma de cuenco que pueden dañar neumáticos y suspensiones. Las grietas son fracturas finas que pueden extenderse y acabar convirtiéndose en fallos mayores. Las tapas de registro son cubiertas circulares que dan acceso a tuberías y cables subterráneos. Aunque no son daños, en las fotos pueden parecer sorprendentemente similares a los baches. Las colecciones anteriores de imágenes viales a menudo ignoraban las tapas de registro o las confundían con daños, lo que dificultaba que los sistemas informáticos distinguieran defectos perjudiciales de la infraestructura normal.

Cómo se recogieron las imágenes

Para construir una imagen más realista de las carreteras cotidianas, el equipo recopiló manualmente imágenes en y alrededor de Roma y la cercana localidad de Sacrofano, en Italia. Utilizaron dos dispositivos de bajo coste que muchas ciudades podrían asumir: una cámara GoPro montada en el parabrisas de un coche y un sencillo smartphone Samsung usado mientras el coche estaba parado. Conduciendo a velocidades moderadas, grabaron calles con distintas condiciones de luz y clima, y luego extrajeron imágenes fijas donde los defectos viales eran claramente visibles. Todas las fotos se redimensionaron a una resolución práctica y se revisaron cuidadosamente para difuminar rostros y matrículas, eliminar fotogramas de muy mala calidad y evitar escenas con oscuridad extrema, deslumbramiento o lluvia intensa que dificultaran un etiquetado fiable.

Convertir escenas viales en datos utilizables

Tras limpiar las imágenes, los investigadores revisaron 2009 fotografías a mano y marcaron cada bache, grieta y tapa de registro visible. Utilizaron un software de anotación especializado que permite dibujar un rectángulo alrededor de cada objeto y asignarlo a una de las tres categorías. En total, etiquetaron 1261 baches, 2519 grietas y 957 tapas de registro. Los archivos se almacenan en formatos directamente compatibles con herramientas populares de inteligencia artificial, de modo que otros grupos puedan cargar fácilmente las imágenes y las etiquetas. El conjunto de datos también captura carreteras urbanas y rurales, superficies húmedas y secas y ángulos de visión variados, ofreciendo a los ordenadores una percepción más rica de cómo se ven realmente los daños desde un vehículo en movimiento o desde una persona junto a la carretera.

Probar detectores inteligentes con el nuevo conjunto

Para evaluar la utilidad práctica de esta colección, los autores entrenaron varios sistemas modernos de detección de objetos, incluidas versiones compactas recientes de la familia de modelos YOLO diseñadas para ejecutarse en ordenadores pequeños. Dividieron el conjunto de datos en varios pliegues, entrenando con parte de las imágenes y probando con el resto por rotación para verificar la consistencia. Los modelos se juzgaron por la precisión con que señalaban los daños, cuántos defectos reales detectaban y qué tan ajustadas eran sus predicciones respecto a las ubicaciones reales. El mejor modelo compacto alcanzó alta precisión en las tres clases, especialmente en tapas de registro, lo que demuestra que las imágenes y las etiquetas permiten un aprendizaje preciso incluso con potencia de cálculo limitada. El estudio también comparó diseños de modelos antiguos y nuevos, encontrando que las redes ligeras más actualizadas que operan a mayor resolución de imagen superaron claramente a los enfoques tradicionales.

Qué significa esto para el cuidado futuro de las carreteras

Para el público no especializado, el mensaje clave es que este trabajo entrega un conjunto práctico y de acceso abierto de imágenes reales de calles que facilita entrenar y comparar sistemas inteligentes para detectar problemas viales. Dado que las fotos provienen de cámaras ordinarias, cubren tanto carreteras urbanas como rurales e incluyen imitaciones engañosas como las tapas de registro, ofrecen a los ingenieros un banco de pruebas realista para herramientas que podrían montarse en autobuses, vehículos de servicio o incluso en teléfonos inteligentes. Aunque el conjunto de datos actualmente refleja carreteras italianas y aún no registra cómo crecen los daños con el tiempo, sienta una base sólida para un mantenimiento vial más seguro, oportuno y rentable guiado por visión por computadora fiable.

Cita: 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

Palabras clave: daños en carreteras, baches, visión por computadora, detección de objetos, conducción autónoma