Datasats med verkliga vägskador: potthål, sprickor och brunnslock

Varför skrovliga gator spelar roll

Alla som kört runt ett potthål eller känt bilen hoppa över en spricka vet att skadade vägar är mer än ett irritationsmoment: de påverkar säkerheten, reparationskostnaderna och hur smidigt en stad fungerar. Att inspektera varje gata för hand är långsamt, dyrt och ibland farligt. Denna studie introducerar en ny samling verkliga vägbilder utformade för att hjälpa datorer att automatiskt upptäcka potthål, sprickor och brunnslock, så att vägmyndigheter kan planera reparationer snabbare och mer rättvist i både stad och landsbygd.

Närmare om slitna vägar

Författarna koncentrerar sig på tre vanliga företeelser på slitna gator: potthål, sprickor och brunnslock. Potthål är de bekanta skålformade hålen som kan skada däck och fjädring. Sprickor är tunna brott som kan sprida sig och så småningom utvecklas till större fel. Brunnslock är runda lock som leder till rör och kablar under marken. Även om de inte är skador kan de på bilder se förvånansvärt lika ut potthål. Tidigare bildsamlingar av vägar bortsåg ofta från brunnslock eller förväxlade dem med skador, vilket försvårade för datorsystem att skilja skadliga defekter från normal infrastruktur.

Hur bilderna samlades in

För att bygga en mer realistisk bild av vardagsvägarna samlade teamet manuellt in bilder i och runt Rom och närliggande staden Sacrofano i Italien. De använde två lågkostnadsenheter som många städer har råd med: en GoPro-kamera monterad på bilens vindruta och en enkel Samsung-smartphone som användes medan bilen stod stilla. Vid måttliga hastigheter spelade de in gator under olika ljus- och väderförhållanden och extraherade sedan stillbilder där vägdefekter var tydligt synliga. Alla bilder ändrades till en praktisk upplösning och granskades noggrant för att sudda ut ansikten och registreringsskyltar, ta bort mycket dåliga ramar och undvika scener med extremt mörker, bländning eller kraftigt regn som skulle göra märkningen osäker.

Att omvandla vägscener till användbar data

Efter rensning av bilderna gick forskarna igenom 2009 bilder för hand och markerade varje synligt potthål, spricka och brunnslock. De använde specialiserad annoteringsprogramvara som låter en person rita en rektangel runt varje objekt och tilldela det en av de tre kategorierna. Totalt märktes 1261 potthål, 2519 sprickor och 957 brunnslock. Filerna lagras i format som är direkt kompatibla med populära verktyg för artificiell intelligens, så att andra grupper enkelt kan ladda bilderna och etiketterna. Datasatsen fångar också både stads- och landsvägar, våta och torra ytor samt varierande synvinklar, vilket ger datorer en rikare uppfattning om hur skador verkligen ser ut från ett rörligt fordon eller en person vid vägkanten.

Testning av smarta detektorer på den nya samlingen

För att se hur användbar denna samling är i praktiken tränade författarna flera moderna objektdetekteringssystem, inklusive nyare kompakta versioner av YOLO-familjen som är utformade för att köras på små datorer. De delade upp datasatsen i flera foldar, tränade på en del av bilderna och testade på resten i rotation för att kontrollera konsistens. Modellerna bedömdes utifrån hur precist de flaggade skador, hur många verkliga defekter de hittade och hur tätt deras förutsägelser matchade de faktiska positionerna. Den bästa kompakta modellen uppnådde hög precision för alla tre klasser, särskilt för brunnslock, vilket visar att bilderna och etiketterna stödjer noggrann inlärning även när beräkningskraften är begränsad. Studien jämförde också äldre och nyare modelldesigner och fann att moderna lättviktiga nätverk som arbetar med högre bildupplösning klart överträffade traditionella tillvägagångssätt.

Vad detta betyder för framtida vägunderhåll

För icke-specialister är huvudbudskapet att detta arbete levererar en praktisk och öppet tillgänglig samling verkliga gatubilder som gör det lättare att träna och jämföra smarta system för att upptäcka vägproblem. Eftersom fotona kommer från vanliga kameror, täcker både stad och landsbygd och inkluderar luriga lookalikes som brunnslock, ger de ingenjörer en realistisk testbädd för verktyg som kan monteras på bussar, servicefordon eller till och med smartphones. Även om datasatsen i nuläget speglar italienska vägar och ännu inte följer hur skador utvecklas över tid, lägger den en stabil grund för säkrare, mer tidseffektivt och kostnadseffektivt vägunderhåll vägledd av pålitligt datorseende.

Citering: 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

Nyckelord: vägskador, potthål, datorseende, objektdetektion, autonom körning