Система обнаружения трещин в дороге в режиме реального времени в шумных и морфологически сложных условиях

Почему важно поддерживать дороги в хорошем состоянии

Трещины на дорогах — это не просто неудобство. Когда мелкие разломы покрытия остаются незамеченными, они могут разрастись в глубокие выбоины и ямы, которые повреждают транспорт, замедляют доставку грузов и повышают риск аварий. Дорожные службы хотели бы обнаруживать такие повреждения на ранних стадиях с помощью камер, установленных на инспекционных машинах, но существующие инструменты компьютерного зрения часто пропускают слабые трещины или путаются из‑за теней, луж и пятен. В этой статье предлагается новая модель искусственного интеллекта, названная Crack‑YOLO, которая способна быстро и точно находить повреждения дорожного полотна даже в беспорядочных реальных условиях и напрямую переводить эти результаты в привычные оценки состояния покрытия.

Распознавание трещин в реальных условиях, а не только в лаборатории

Многие существующие детекторы трещин хорошо работают на аккуратных тестовых изображениях, но дают сбой на реальных улицах, где фары, тени деревьев, дождь, масляные пятна и опавшие листья загромождают кадр. Тонкие и едва заметные трещины особенно трудны для распознавания: их признаки слабые, они часто прерываются в кадре и легко принимаются за безвредные узоры на поверхности. Авторы сводят это к трем взаимосвязанным проблемам: низкая точность, высокая чувствительность к фоновым помехам и плохое обнаружение очень мелких трещин. Решение этих задач критично для современных Систем управления дорожным покрытием, которые опираются на точные карты повреждений для принятия решений о ремонте.

Более лёгкий и более внимательный цифровой «глаз»

Crack‑YOLO базируется на популярном семействе детекторов объектов YOLO, но перестраивает ключевые компоненты так, чтобы система могла «видеть» более интеллектуально, оставаясь при этом достаточно лёгкой для маломощных компьютеров. Во‑первых, базовый блок модели для анализа изображений обновлён до контекстно‑ориентированного модуля. Вместо того чтобы учитывать только локальные мелкие участки, этот модуль смешивает информацию из ближайшего окружения и из более широкой сцены. Это позволяет модели воспринимать трещину как непрерывную линию на фоне общего покрытия, снижая вероятность путаницы тёмных пятен или теней с повреждениями.

Прослеживание тонких линий на разных масштабах

Трещины бывают самых разных форм и размеров — от длинных прямых линий до ветвящихся «крокодиловых» рисунков и округлых выбоин. Чтобы адаптироваться к этому разнообразию, авторы заменяют фиксированные фильтры внутри модуля объединения признаков на динамические, которые могут меняться в зависимости от входных данных. На практике модель хранит небольшой набор альтернативных фильтров и учится смешивать их в реальном времени, что помогает улавливать как тонкие извилистые трещины, так и более крупные разрушенные участки без существенного роста вычислительной нагрузки. Кроме того, новая выходная часть сети позволяет объединять информацию из слоёв с детальной информацией и слоёв с глобальным представлением для каждой точки изображения. Такая многоуровневая фузия помогает системе прослеживать трещины, охватывающие большие площади, при этом сохраняя внимание к резким краям.

Демонстрация эффективности на сложных дорожных сценах

Команда тестирует Crack‑YOLO на четырёх наборах изображений трещин из разных стран, с разных камер и в различных погодных условиях, включая их собственный датасет CrackVariety, который специально включает солнце, дождь, тени, стоячую воду, масляные пятна и препятствия. По всем показателям новая модель обнаруживает больше реальных трещин и работает быстрее, чем сильный эталон — YOLOv8s. На CrackVariety её основной показатель качества обнаружения увеличивается примерно с 40% до более чем 71%, а скорость обработки почти удваивается — более 400 изображений в секунду на высокопроизводительной графической карте. На особенно шумном наборе с низким разрешением она находит полезные закономерности там, где многие другие модели на базе YOLO терпят неудачу. По сравнению с классическими детекторами, такими как SSD и Faster R‑CNN, она обеспечивает более стабильный компромисс между точностью и скоростью.

От кадров с камер к решениям по обслуживанию

Чтобы показать, что подход применим не только в лаборатории, авторы развернули Crack‑YOLO на Raspberry Pi 5 — недорогом мини‑компьютере размером с кредитную карту, подобном тем, что могут устанавливать на небольшие инспекционные машины. Даже без аппаратных ускорителей модель может анализировать несколько видеокадров в секунду, достаточно быстро для медленно движущихся машин обследования или для выборки ключевых кадров. Система делает ещё один шаг, связывая свои обнаружения с Индексом состояния покрытия (Pavement Condition Index), стандартом, используемым во всём мире. Она оценивает физическую площадь каждой трещины с учётом геометрии камеры, корректирует завышения, вызванные ограничивающими рамками, и подставляет результаты в устоявшиеся инженерные формулы, чтобы вывести единый показатель состояния для каждого участка дороги.

Более умные инспекции, более плавные поездки

В целом работа показывает, что возможно создать детектор дорожных трещин, который одновременно быстр и умен: Crack‑YOLO справляется с загромождёнными, низкокачественными изображениями, отслеживает многие типы дефектов и работает на скромном аппаратном обеспечении. Передавая свои результаты напрямую в стандартные рейтинги состояния покрытия, он помогает сократить разрыв между исследованиями в области ИИ и повседневным обслуживанием дорог. При дальнейшем развитии — например, до уровня пиксельной сегментации и слияния дополнительных данных, таких как 3D‑глубина или инфракрасные изображения — подобные системы могли бы стать основой для высокоавтоматизированного, недорогого мониторинга дорожной сети, улавливая ранние признаки износа задолго до того, как они превратятся в разрушительные ямы.

Цитирование: 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

Ключевые слова: обнаружение трещин на дорогах, мониторинг покрытий, компьютерное зрение, глубокое обучение, обслуживание инфраструктуры