Jeu de données réelles sur les dommages routiers : nids-de-poule, fissures et regards

Pourquoi les rues cabossées comptent

Quiconque a évité un nid-de-poule ou senti sa voiture secouée par une fissure sait que les routes endommagées sont plus qu'une gêne : elles affectent la sécurité, les coûts de réparation et la fluidité du trafic urbain. Pour autant, inspecter chaque rue à la main est lent, coûteux et parfois dangereux. Cette étude présente une nouvelle collection de photos routières réelles conçue pour aider les ordinateurs à repérer automatiquement nids-de-poule, fissures et regards afin que les équipes d'entretien puissent planifier les réparations plus rapidement et de façon plus équitable entre zones urbaines et rurales.

Un examen approfondi des routes dégradées

Les auteurs se concentrent sur trois éléments courants des routes usées : les nids-de-poule, les fissures et les regards. Les nids-de-poule sont ces trous en forme de cuvette qui peuvent endommager pneus et suspensions. Les fissures sont des cassures fines qui peuvent s'étendre et finir par former des dégradations plus importantes. Les regards sont des couvercles ronds donnant accès aux canalisations et câbles souterrains. Bien qu'ils ne constituent pas un dommage, ils peuvent, sur les photos, ressembler étonnamment à des nids-de-poule. Les collections d'images routières précédentes ont souvent ignoré les regards ou les confondu avec des dommages, rendant plus difficile pour les systèmes informatiques de distinguer défauts nuisibles et infrastructure normale.

Comment les images ont été collectées

Pour dresser un tableau plus réaliste des routes quotidiennes, l'équipe a recueilli manuellement des images à Rome et dans la commune voisine de Sacrofano, en Italie. Ils ont utilisé deux appareils peu coûteux que de nombreuses villes pourraient s'offrir : une caméra GoPro fixée au pare-brise d'une voiture et un simple smartphone Samsung utilisé lorsque le véhicule était à l'arrêt. En roulant à vitesse modérée, ils ont enregistré des rues sous différents éclairages et conditions météorologiques, puis extrait des images fixes où les défauts de la chaussée étaient clairement visibles. Toutes les photos ont été redimensionnées à une résolution pratique et soigneusement contrôlées pour flouter visages et plaques d'immatriculation, éliminer les images de très mauvaise qualité et éviter les scènes avec obscurité extrême, éblouissement ou forte pluie rendant l'étiquetage peu fiable.

Transformer les scènes routières en données exploitables

Après le nettoyage des images, les chercheurs ont parcouru manuellement 2009 photos et ont marqué chaque nid-de-poule, fissure et regard visible. Ils ont utilisé un logiciel d'annotation spécialisé permettant de tracer un rectangle autour de chaque objet et de l'assigner à l'une des trois catégories. Au total, ils ont étiqueté 1261 nids-de-poule, 2519 fissures et 957 regards. Les fichiers sont stockés dans des formats directement compatibles avec les outils d'intelligence artificielle populaires, de sorte que d'autres équipes peuvent facilement charger images et annotations. Le jeu de données couvre également routes urbaines et rurales, surfaces humides et sèches, et angles de vue variés, offrant aux algorithmes une vision plus riche de l'apparence réelle des dommages depuis un véhicule en mouvement ou une personne au bord de la route.

Tester des détecteurs intelligents sur la nouvelle base

Pour évaluer l'utilité pratique de cette collection, les auteurs ont entraîné plusieurs systèmes modernes de détection d'objets, y compris des versions récentes et compactes de la famille YOLO conçues pour fonctionner sur de petits ordinateurs. Ils ont scindé le jeu de données en plusieurs folds, entraînant sur une partie des images et testant sur le reste en rotation afin de vérifier la cohérence. Les modèles ont été évalués sur la précision de la détection, le nombre de défauts vrais repérés et la précision des correspondances spatiales entre prédictions et emplacements réels. Le meilleur modèle compact a atteint une haute précision pour les trois classes, en particulier pour les regards, montrant que les images et annotations permettent un apprentissage précis même avec des ressources de calcul limitées. L'étude a aussi comparé architectures anciennes et récentes, constatant que les réseaux légers modernes opérant à plus haute résolution d'image surpassent nettement les approches traditionnelles.

Ce que cela signifie pour l'entretien des routes à venir

Pour les non-spécialistes, le message clé est que ce travail fournit un jeu d'images de rue réelles, pratique et accessible, qui facilite l'entraînement et la comparaison de systèmes intelligents pour repérer les problèmes routiers. Parce que les photos proviennent de caméras ordinaires, couvrent routes de ville et de campagne et incluent des faux-semblants tels que les regards, elles offrent aux ingénieurs un banc d'essai réaliste pour des outils pouvant équiper bus, véhicules d'entretien ou même smartphones. Bien que le jeu de données reflète actuellement des routes italiennes et ne suive pas encore l'évolution des dommages dans le temps, il pose une base solide pour un entretien routier plus sûr, plus rapide et plus rentable guidé par une vision par ordinateur fiable.

Citation: 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

Mots-clés: dégâts routiers, nids-de-poule, vision par ordinateur, détection d'objets, conduite autonome