Dataset met echte wegschade: gaten, scheuren en putdeksels

Waarom hobbelige straten ertoe doen

Wie ooit om een pothole heeft moeten sturen of de auto over een scheur heeft voelen schokken, weet dat beschadigde wegen meer zijn dan een hinderlijkheid: ze beïnvloeden de veiligheid, reparatiekosten en de vlotte werking van steden. Toch elke straat met de hand controleren is traag, duur en soms onveilig. Deze studie introduceert een nieuwe verzameling echte kant-van-de-weg foto’s die computers moeten helpen automatisch potholes, scheuren en putdeksels te herkennen, zodat wegploegen reparaties sneller en eerlijker over stedelijke en landelijke gebieden kunnen plannen.

Een nadere blik op slechte wegen

De auteurs richten zich op drie veelvoorkomende kenmerken van versleten straten: potholes, scheuren en putdeksels. Potholes zijn de bekende komvormige gaten die banden en ophangingen kunnen beschadigen. Scheuren zijn dunne breuken die kunnen uitbreiden en uiteindelijk grotere beschadigingen veroorzaken. Putdeksels zijn ronde afdekkingen die toegang geven tot leidingen en kabels onder de grond. Hoewel het geen schade is, kunnen ze op foto’s verrassend veel op potholes lijken. Eerdere verzamelingen van wegbeelden negeerden putdeksels vaak of verwarden ze met schade, wat het moeilijker maakte voor computersystemen om schadelijke gebreken van normale infrastructuur te onderscheiden.

Hoe de foto’s werden verzameld

Om een realistischer beeld van alledaagse wegen te verkrijgen, verzamelde het team handmatig beelden in en rond Rome en het nabijgelegen stadje Sacrofano in Italië. Ze gebruikten twee goedkope apparaten die veel gemeenten zich zouden kunnen veroorloven: een GoPro-camera gemonteerd op de voorruit van een auto en een eenvoudige Samsung-smartphone gebruikt terwijl de auto stilstond. Rijdend met bescheiden snelheid namen ze straten op onder verschillende licht- en weersomstandigheden, en haalden vervolgens stilstaande beelden waar wegdeuken duidelijk zichtbaar waren. Alle foto’s werden naar een praktische resolutie geschaald en zorgvuldig gecontroleerd om gezichten en kentekens te vervagen, zeer slechte frames te verwijderen en scènes met extreme duisternis, schittering of zware regen te vermijden die labeling onbetrouwbaar zouden maken.

Wegscènes omzetten in bruikbare data

Na het opschonen van de beelden bewerkten de onderzoekers 2009 foto’s handmatig en markeerden elk zichtbaar pothole, elke scheur en elk putdeksel. Ze gebruikten gespecialiseerde annotatiesoftware waarmee een persoon een rechthoek om elk object kan tekenen en het aan een van de drie categorieën kan toewijzen. In totaal labelden ze 1261 potholes, 2519 scheuren en 957 putdeksels. De bestanden zijn opgeslagen in formaten die direct compatibel zijn met populaire AI-tools, zodat andere groepen eenvoudig de afbeeldingen en labels kunnen inladen. De dataset omvat bovendien zowel stedelijke als landelijke wegen, natte en droge oppervlakken en verschillende kijkhoeken, waardoor computers een rijker beeld krijgen van hoe schade er echt uitziet vanuit een rijdend voertuig of vanaf de wegkant.

Slimme detectors testen op de nieuwe dataset

Om te beoordelen hoe nuttig deze verzameling in de praktijk is, trainden de auteurs meerdere moderne objectdetectiesystemen, waaronder recente compacte versies van de YOLO-familie die ontworpen zijn om op kleine computers te draaien. Ze splitsten de dataset in meerdere folds, trainden op een deel van de beelden en testten op de rest in rotatie om de consistentie te controleren. De modellen werden beoordeeld op hoe precies ze schade signaleren, hoeveel echte defecten ze vonden en hoe nauw hun voorspellingen overeenkwamen met de werkelijke locaties. Het beste compacte model bereikte hoge precisie voor alle drie de klassen, vooral voor putdeksels, wat aantoont dat de beelden en labels nauwkeurig leren ondersteunen, zelfs met beperkte rekenkracht. De studie vergeleek ook oudere en nieuwere modelontwerpen en vond dat up-to-date lichtgewicht netwerken die met hogere beeldresolutie werken duidelijk beter presteerden dan traditionele benaderingen.

Wat dit betekent voor toekomstige wegzorg

Voor niet-specialisten is de belangrijkste boodschap dat dit werk een praktische en openlijk beschikbare set realistische straatbeelden oplevert die het gemakkelijker maken slimme systemen voor het opsporen van wegproblemen te trainen en te vergelijken. Omdat de foto’s afkomstig zijn van gewone camera’s, zowel stads- als landwegen omvatten en lastige gelijkende objecten zoals putdeksels bevatten, bieden ze ingenieurs een realistische testomgeving voor tools die op bussen, servicevoertuigen of zelfs smartphones zouden kunnen draaien. Hoewel de dataset momenteel Italiaanse wegen weerspiegelt en nog niet bijhoudt hoe schade in de loop van de tijd groeit, vormt het een solide basis voor veiliger, tijdiger en kosteneffectiever wegonderhoud gestuurd door betrouwbare computervisie.

Bronvermelding: 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

Trefwoorden: wegaantasting, potholes, computervisie, objectdetectie, autonoom rijden