Набор реальных дорожных изображений с ямами, трещинами и ревизионными колодцами

Почему неровные улицы важны

Тот, кто объезжал яму или чувствовал, как машина подпрыгивает на трещине, знает: поврежденные дороги — это больше, чем неудобство — они влияют на безопасность, затраты на ремонты и на плавность работы городов. При этом проверять каждую улицу вручную медленно, дорого и порой опасно. В этом исследовании представлен новый набор реальных уличных фотографий, призванный помочь компьютерам автоматически обнаруживать ямы, трещины и ревизионные колодцы, чтобы дорожные службы могли планировать ремонты быстрее и справедливее как в городских, так и в сельских районах.

Взгляд поближе на плохие дороги

Авторы сосредоточились на трех распространенных признаках изношенных улиц: ямах, трещинах и ревизионных колодцах. Ямы — знакомые чашеобразные отверстия, которые могут повредить шины и подвеску. Трещины — тонкие разрывы, которые могут распространяться и со временем превращаться в более крупные дефекты. Ревизионные колодцы — круглые крышки, ведущие к трубам и кабелям под землей. Хотя они не являются повреждениями, на фотографиях они могут выглядеть удивительно похоже на ямы. В предыдущих наборах дорожных изображений ревизионные колодцы часто игнорировали или путали с повреждениями, что затрудняло компьютерным системам отличать вредоносные дефекты от обычной инфраструктуры.

Как собирали снимки

Чтобы получить более реалистичную картину повседневных дорог, команда вручную собрала изображения в Риме и в соседнем городке Сакрофано в Италии. Они использовали два недорогих устройства, которые многие города могли бы себе позволить: камеру GoPro, установленную на лобовом стекле автомобиля, и простой смартфон Samsung, используемый при остановке машины. Двигаясь с умеренной скоростью, они снимали улицы в разных условиях освещения и погоды, а затем извлекали отдельные кадры, где дефекты дороги были четко видны. Все изображения были приведены к практичному разрешению и тщательно проверены: размыты лица и номера, удалены кадры очень низкого качества и исключены сцены с экстремальной темнотой, бликами или сильным дождем, которые делали бы разметку ненадежной.

Преобразование уличных сцен в пригодные данные

После очистки изображений исследователи вручную просмотрели 2009 снимков и отметили каждую видимую яму, трещину и ревизионный колодец. Они использовали специализированное программное обеспечение для аннотаций, позволяющее обводить прямоугольником каждый объект и относить его к одной из трех категорий. В сумме было размечено 1261 яму, 2519 трещин и 957 ревизионных колодцев. Файлы сохранены в форматах, напрямую совместимых с популярными инструментами искусственного интеллекта, чтобы другие группы могли легко загрузить изображения и метки. Набор также охватывает как городские, так и сельские дороги, мокрые и сухие покрытия и разные углы съемки, давая моделям более полное представление о том, как повреждения действительно выглядят с движущегося транспортного средства или с обочины.

Тестирование умных детекторов на новом наборе

Чтобы оценить практическую полезность коллекции, авторы обучили несколько современных систем обнаружения объектов, включая компактные версии семейства моделей YOLO, рассчитанные на работу на слабых компьютерах. Они разделили набор на несколько фолдов, обучая на части изображений и тестируя на остальных по очереди, чтобы проверить стабильность результатов. Модели оценивались по точности выделения повреждений, охвату найденных реальных дефектов и тому, насколько плотно предсказания совпадали с реальными местоположениями. Лучшая компактная модель показала высокую точность для всех трех классов, особенно для ревизионных колодцев, что демонстрирует: изображения и разметка поддерживают точное обучение даже при ограниченных вычислительных ресурсах. Исследование также сравнило старые и новые архитектуры моделей, обнаружив, что современные легковесные сети при более высоком разрешении изображений явно превосходят традиционные подходы.

Что это значит для будущего ухода за дорогами

Для неспециалистов основной вывод таков: работа предоставляет практичный и общедоступный набор реальных уличных изображений, которые упрощают обучение и сравнение умных систем по обнаружению дорожных проблем. Поскольку фотографии получены обычными камерами, охватывают городские и сельские дороги и включают вводящие в заблуждение похожие объекты, такие как ревизионные колодцы, они дают инженерам реалистичную тестовую площадку для инструментов, которые могут устанавливаться на автобусах, служебных автомобилях или даже использоваться на смартфонах. Хотя набор в настоящее время отражает итальянские дороги и пока не отслеживает развитие повреждений во времени, он закладывает прочную основу для более безопасного, своевременного и экономичного обслуживания дорог, управляемого надежным компьютерным зрением.

Цитирование: 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

Ключевые слова: повреждение дорог, ямы, компьютерное зрение, обнаружение объектов, автономное вождение