Conjunto de dados do mundo real sobre danos viários com buracos, fissuras e tampas de manutenção

Por que ruas esburacadas importam

Quem já desviou de um buraco ou sentiu o carro estremecer ao passar por uma fissura sabe que vias danificadas são mais que um incômodo: afetam a segurança, os custos de reparo e o funcionamento das cidades. Ainda assim, inspecionar cada rua manualmente é lento, caro e às vezes perigoso. Este estudo apresenta uma nova coleção de fotos reais de vias projetada para ajudar computadores a identificar automaticamente buracos, fissuras e tampas de manutenção, permitindo que equipes de manutenção planejem reparos mais rápido e de forma mais justa entre áreas urbanas e rurais.

Um olhar mais atento às vias danificadas

Os autores concentram-se em três características comuns de ruas desgastadas: buracos, fissuras e tampas de manutenção. Buracos são as cavidades em forma de taça que podem danificar pneus e suspensão. Fissuras são quebras finas que podem se alargar e eventualmente virar falhas maiores. Tampas de manutenção são coberturas circulares que dão acesso a tubos e cabos subterrâneos. Embora não sejam danos, podem parecer surpreendentemente semelhantes a buracos em fotos. Coletas anteriores de imagens viárias frequentemente ignoraram tampas de manutenção ou as confundiram com danos, dificultando que sistemas computacionais distinguissem defeitos prejudiciais de infraestrutura normal.

Como as imagens foram coletadas

Para construir um retrato mais realista das vias do dia a dia, a equipe reuniu manualmente imagens dentro e ao redor de Roma e da cidade próxima de Sacrofano, na Itália. Usaram dois dispositivos de baixo custo que muitas cidades poderiam adquirir: uma câmera GoPro montada no para-brisa de um carro e um smartphone Samsung simples usado enquanto o carro estava parado. Dirigindo em velocidades moderadas, registraram ruas sob diferentes condições de iluminação e clima, e então extraíram quadros estáticos onde os defeitos viários estavam claramente visíveis. Todas as imagens foram redimensionadas para uma resolução prática e cuidadosamente verificadas para borrar rostos e placas, remover quadros de qualidade muito baixa e evitar cenas com escuridão extrema, ofuscamento ou chuva forte que tornariam a rotulagem pouco confiável.

Transformando cenas viárias em dados utilizáveis

Após a limpeza das imagens, os pesquisadores analisaram manualmente 2009 fotos e marcaram todo buraco, fissura e tampa de manutenção visíveis. Usaram um software de anotação especializado que permite desenhar um retângulo em torno de cada objeto e atribuí-lo a uma das três categorias. No total, rotularam 1261 buracos, 2519 fissuras e 957 tampas de manutenção. Os arquivos são armazenados em formatos diretamente compatíveis com ferramentas populares de inteligência artificial, para que outros grupos possam carregar facilmente as imagens e rótulos. O conjunto de dados também captura estradas urbanas e rurais, superfícies molhadas e secas e ângulos de visualização variados, dando aos computadores uma noção mais rica de como os danos realmente aparecem a partir de um veículo em movimento ou de uma pessoa à beira da via.

Testando detectores inteligentes no novo conjunto

Para avaliar a utilidade prática dessa coleção, os autores treinaram vários sistemas modernos de detecção de objetos, incluindo versões compactas recentes da família YOLO projetadas para rodar em computadores pequenos. Eles dividiram o conjunto de dados em múltiplas partes, treinando em parte das imagens e testando no restante em rotação para verificar a consistência. Os modelos foram avaliados pela precisão com que sinalizavam danos, quantos defeitos reais encontravam e o quão bem suas previsões correspondiam às localizações reais. O melhor modelo compacto alcançou alta precisão para as três classes, especialmente para tampas de manutenção, mostrando que as imagens e rótulos suportam aprendizado preciso mesmo quando o poder de computação é limitado. O estudo também comparou desenhos de modelos antigos e novos, constatando que redes leves e atualizadas que operam em resolução maior de imagem superaram claramente abordagens tradicionais.

O que isso significa para a manutenção viária futura

Para não especialistas, a mensagem principal é que este trabalho entrega um conjunto prático e de acesso aberto de imagens reais de ruas que facilita treinar e comparar sistemas inteligentes para detectar problemas viários. Como as fotos vêm de câmeras comuns, cobrem tanto vias urbanas quanto rurais e incluem falsos semelhantes como tampas de manutenção, fornecem aos engenheiros um campo de testes realista para ferramentas que poderiam rodar em ônibus, veículos de serviço ou mesmo smartphones. Embora o conjunto de dados reflita atualmente vias italianas e ainda não acompanhe a evolução dos danos ao longo do tempo, ele estabelece uma base sólida para uma manutenção viária mais segura, oportuna e econômica guiada por visão computacional confiável.

Citação: 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

Palavras-chave: danos viários, buracos, visão computacional, detecção de objetos, direção autônoma