System wykrywający pęknięcia na drogach w czasie rzeczywistym w hałaśliwych i morfologicznie złożonych warunkach

Dlaczego dbanie o stan dróg ma znaczenie

Pęknięte nawierzchnie to coś więcej niż niedogodność. Gdy drobne spękania w asfalcie pozostają niezauważone, mogą przekształcić się w głębokie koleiny i dziury, które uszkadzają pojazdy, spowalniają dostawy i zwiększają ryzyko wypadków. Zarządy dróg chciałyby wykrywać te problemy wcześnie za pomocą kamer montowanych na pojazdach inspekcyjnych, ale obecne narzędzia wizji komputerowej często pomijają słabe pęknięcia lub gubią się przez cienie, kałuże i plamy. W artykule przedstawiono nowy model sztucznej inteligencji, nazwany Crack-YOLO, który potrafi szybko i dokładnie odnajdywać uszkodzenia nawierzchni nawet w chaotycznych warunkach rzeczywistych i przekładać te obserwacje bezpośrednio na standardowe wskaźniki stanu nawierzchni.

Wykrywanie pęknięć w terenie, a nie tylko w laboratorium

Wiele istniejących detektorów pęknięć działa dobrze na uporządkowanych obrazach testowych, ale słabnie na prawdziwych ulicach, gdzie reflektory, cienie drzew, deszcz, plamy oleju i opadłe liście zaśmiecają scenę. Szczególnie trudno rozpoznawalne są cienkie, włókniste rysy: ich cechy są słabe, często zanikają i pojawiają się ponownie w polu widzenia i łatwo są mylone z nieszkodliwymi wzorami na powierzchni. Autorzy formułują to jako trzy powiązane wyzwania: niska dokładność, silna wrażliwość na zakłócenia tła oraz słabe wykrywanie bardzo małych pęknięć. Rozwiązanie tych problemów jest kluczowe dla nowoczesnych Systemów Zarządzania Nawierzchnią, które opierają decyzje o naprawach na dokładnych mapach uszkodzeń.

Lżejsze, ostrzejsze cyfrowe oko

Crack-YOLO bazuje na popularnej rodzinie detektorów obiektów znanej jako YOLO, ale przeprojektowuje kluczowe elementy, żeby system mógł „widzieć” mądrzej przy zachowaniu lekkości wystarczającej dla małych komputerów. Po pierwsze, podstawowy blok modelu do analizy obrazów został ulepszony do jednostki z kontekstowym prowadzeniem. Zamiast skupiać się tylko na drobnych lokalnych fragmentach, jednostka ta miesza informacje z bezpośredniego otoczenia i z szerszej sceny. Dzięki temu model postrzega pęknięcie jako ciągłą linię na tle nawierzchni, co zmniejsza prawdopodobieństwo pomylenia ciemnych plam lub cieni z uszkodzeniem.

Śledzenie cienkich linii w różnych skalach

Pęknięcia występują w wielu kształtach i rozmiarach — od długich prostych linii po rozgałęziające się wzory typu „aligator” i okrągłe wyrwy. Aby przystosować się do tej różnorodności, autorzy zastępują stałe filtry w module łączenia cech filtrami dynamicznymi, które mogą zmieniać się w zależności od wejścia. W praktyce model przechowuje niewielki zestaw alternatywnych filtrów i uczy się, jak je na bieżąco miksować, co pomaga wychwycić zarówno cienkie, kręte rysy, jak i większe uszkodzone obszary bez znacznego zwiększania obciążenia obliczeniowego. Dodatkowo nowa głowica wyjściowa pozwala sieci łączyć informacje z warstw o drobnych detalach i z warstw dających obraz całości w każdej lokalizacji obrazu. To wieloskalowe łączenie pomaga śledzić pęknięcia rozciągające się na duże obszary, przy jednoczesnym zachowaniu uwagi na ostre krawędzie.

Dowód skuteczności na trudnych scenach drogowych

Zespół testuje Crack-YOLO na czterech zbiorach obrazów pęknięć pochodzących z różnych krajów, kamer i warunków pogodowych, w tym na własnym zbiorze CrackVariety, który celowo zawiera słońce, deszcz, cienie, stojącą wodę, plamy oleju i przeszkody. We wszystkich testach nowy model wykrywa więcej rzeczywistych pęknięć przy jednoczesnym szybszym działaniu niż mocna baza odniesienia, YOLOv8s. W zbiorze CrackVariety główny wskaźnik jakości wykrywania rośnie z około 40% do ponad 71%, a szybkość przetwarzania niemal się podwaja do ponad 400 obrazów na sekundę na wysokiej klasy karcie graficznej. W szczególnie hałaśliwym zbiorze o niskiej rozdzielczości model znajduje użyteczne wzory tam, gdzie wiele innych modeli opartych na YOLO zawodzi. W porównaniu z klasycznymi detektorami, takimi jak SSD i Faster R-CNN, oferuje bardziej stabilne połączenie dokładności i szybkości.

Od klatek z kamery do decyzji o naprawach

Aby pokazać, że podejście nie jest tylko ćwiczeniem laboratoryjnym, autorzy wdrażają Crack-YOLO na Raspberry Pi 5 — tanim komputerze wielkości karty kredytowej podobnym do tego, który można zamontować w małym pojeździe inspekcyjnym. Nawet bez akceleratorów sprzętowych model może analizować kilka klatek wideo na sekundę, co wystarcza dla powoli poruszających się samochodów inspekcyjnych lub do próbkowania istotnych klatek. System idzie dalej, łącząc swoje wykrycia ze Wskaźnikiem Stanu Nawierzchni (Pavement Condition Index), standardem używanym na całym świecie. Szacuje fizyczny obszar każdego pęknięcia na podstawie geometrii kamery, koryguje przeszacowanie wynikające z ramek ograniczających i wprowadza wyniki do ustalonych formuł inżynierskich, aby wygenerować pojedynczy wskaźnik stanu dla każdego odcinka drogi.

Inteligentniejsze inspekcje, płynniejsza jazda

Podsumowując, praca pokazuje, że możliwe jest zbudowanie detektora pęknięć drogowych, który jest zarówno szybki, jak i inteligentny: Crack-YOLO radzi sobie z zaśmieconymi, niskiej jakości obrazami, śledzi wiele typów defektów i działa na skromnym sprzęcie. Dzięki bezpośredniemu wprowadzaniu wyników do standardowych ocen nawierzchni pomaga zmniejszyć dystans między badaniami nad sztuczną inteligencją a codziennym utrzymaniem dróg. Jeśli zostanie dalej dopracowany, by działać na poziomie pojedynczych pikseli i łączyć dodatkowe źródła informacji, takie jak głębia 3D czy podczerwień, systemy tego typu mogłyby stanowić podstawę wysoce zautomatyzowanego, niskokosztowego monitoringu sieci drogowych — wykrywając wczesne oznaki zużycia długo zanim przekształcą się w niszczące koła dziury.

Cytowanie: Fan, L., Tang, S., Ariffin, M.K.A.B.M. et al. A real-time detection framework for road cracks in noisy and morphologically complex environments. Sci Rep 16, 10107 (2026). https://doi.org/10.1038/s41598-026-41043-y

Słowa kluczowe: wykrywanie pęknięć na drogach, monitorowanie nawierzchni, wizja komputerowa, uczenie głębokie, utrzymanie infrastruktury