YOLO11-WLBS: wydajny model do wykrywania uszkodzeń nawierzchni

Dlaczego lepsze kontrole dróg mają znaczenie

Każde pęknięcie i każda wyrwa w jezdni to nie tylko defekt estetyczny — może skracać żywotność nawierzchni, uszkadzać pojazdy i przyczyniać się do wypadków. Obecnie wiele dróg jest nadal kontrolowanych przez ludzi jadących powoli z notatnikami lub prostymi kamerami, co jest czasochłonne, kosztowne i podatne na błędy. W tym badaniu przedstawiono YOLO11-WLBS, inteligentniejszy, lżejszy system wizyjny, który potrafi w czasie rzeczywistym wykrywać różne rodzaje uszkodzeń nawierzchni — nawet na smartfonie lub dronie — obiecując szybszą i bezpieczniejszą konserwację naszych sieci drogowych.

Od powolnych patroli do inteligentnych kamer

Wraz ze wzrostem natężenia ruchu i rozrostem sieci drogowych coraz częstsze stają się uszkodzenia takie jak poprzeczne i wzdłużne pęknięcia, siatkowe pęknięcia, skośne pęknięcia, wyrwy oraz miejsca naprawy nawierzchni. Tradycyjne inspekcje — piesze lub samochodowe przeglądy albo proste przetwarzanie obrazów — silnie zależą od oceny człowieka i słabo radzą sobie przy słabym oświetleniu czy w zagraconych scenach. W ostatniej dekadzie głębokie uczenie, a w szczególności rodzina sieci detekcyjnych YOLO, zrewolucjonizowały analizę obrazów, ucząc się wzorców bezpośrednio z surowych zdjęć. Wczesne systemy oparte na YOLO poprawiały dokładność, ale wciąż napotykały podstawowy kompromis: modele wystarczająco dokładne często były zbyt duże i wolne, by działać w czasie rzeczywistym na dronach, pojazdach czy urządzeniach przenośnych.

Dostrojony silnik oparty na YOLO11

Autorzy zaczynają od YOLO11, nowoczesnej sieci detekcyjnej już równoważącej szybkość i dokładność, i dostosowują ją do specyficznych wyzwań związanych z nawierzchniami drogowymi. Ich ulepszony model, nazwany YOLO11-WLBS, zachowuje typową trzyelementową konstrukcję — «backbone» do ekstrakcji cech, «neck» do łączenia informacji na różnych skalach oraz «head» do rysowania ramek i etykiet wokół uszkodzeń — ale dodaje cztery starannie dobrane ulepszenia. Razem te dodatki wyostrzają „wzrok” modelu na drobne pęknięcia, poprawiają obsługę różnych rozmiarów uszkodzeń i redukują zbędne obliczenia, dzięki czemu system może działać wydajnie na urządzeniach brzegowych.

Cztery sprytne triki do wykrywania pęknięć

Pierwsze ulepszenie wykorzystuje konwolucję opartą na falkach (wavelet), by uwypuklić szczegóły o wysokich częstotliwościach — gwałtowne zmiany jasności, które wyznaczają kontury pęknięć i małych dziur — bez nadmiernego zwiększania rozmiaru modelu. To pomaga systemowi zauważać słabe, cienkie lub nieregularne defekty, które standardowe filtry mogą przeoczyć. Następnie krok «lekka adaptacyjna ekstrakcja» reorganizuje mapy cech tak, aby sieć koncentrowała wysiłki na najbardziej informacyjnych kanałach, zmniejszając jednocześnie liczbę parametrów o około jedną czwartą. Dwukierunkowa piramida cech pozwala informacjom przepływać w górę i w dół między skalami grubymi i drobnymi, poprawiając rozpoznawanie zarówno maleńkich szczelin, jak i większych, połączonych wzorów pęknięć. Wreszcie prosty mechanizm uwagi wyróżnia najważniejsze obszary każdej mapy cech, kierując detektor ku prawdziwym uszkodzeniom i z dala od rozpraszaczy, takich jak oznakowanie pasów, cienie czy plamy.

Dowód działania w warunkach rzeczywistych

Aby przetestować YOLO11-WLBS, zespół wytrenował i ocenił go na zdjęciach o wysokiej rozdzielczości z dronów przedstawiających rzeczywiste nawierzchnie, obejmujących ponad dziesięć tysięcy oznaczonych uszkodzeń w sześciu kategoriach. W porównaniu z oryginalnym YOLO11 nowy model podnosi precyzję z 0,853 do 0,947 oraz czułość z 0,698 do 0,895, co oznacza, że generuje mniej fałszywych alarmów i pomija znacznie mniej defektów. Jego ogólny wynik detekcji (mAP@0.5) rośnie o 12,2%, podczas gdy liczba parametrów spada o około 25,5%. System pozostaje dokładny przy słabym i intensywnym oświetleniu oraz gdy obrazy są rozmyte lub zredukowane, a także dobrze przenosi się na osobny zbiór danych z dronów o innych punktach widzenia i niższej rozdzielczości. Autorzy wdrożyli nawet w pełni kwantyzowaną wersję na smartfonie z Androidem, osiągając blisko 30 kl./s dla wykrywania wideo na żywo różnych typów pęknięć.

Co to oznacza dla kierowców i miast

Mówiąc prościej, YOLO11-WLBS to szybsze, ostrzejsze „oko” dla naszych dróg. Łącząc lepsze wykrywanie krawędzi, mądrzejsze wykorzystanie pojemności modelu, fuzję cech wieloskalowych i lekką uwagę, znajduje więcej uszkodzeń, działając na skromnym sprzęcie, takim jak drony czy telefony. To sprawia, że praktyczne staje się częstsze skanowanie długich odcinków nawierzchni, wczesne wykrywanie problemów i bardziej efektywne planowanie napraw — wszystko bez wysyłania dużych zespołów w ruch uliczny. Choć model wciąż ma pewne trudności z rzadkimi defektami, takimi jak wyrwy — głównie z powodu mniejszej liczby przykładów do nauki — stanowi solidną podstawę dla przyszłych systemów, które nie tylko wykryją, gdzie nawierzchnia jest uszkodzona, ale też oszacują stopień zniszczenia, pomagając miastom w bezpieczniejszym i bardziej opłacalnym utrzymaniu.

Cytowanie: Lin, J., Wang, P., Ruan, Y. et al. YOLO11-WLBS: an efficient model for pavement defect detection. Sci Rep 16, 5284 (2026). https://doi.org/10.1038/s41598-026-35743-8

Słowa kluczowe: wykrywanie uszkodzeń nawierzchni, wykrywanie pęknięć drogowych, YOLO11-WLBS, inspekcja dronem, edge AI