Gürültülü ve morfolojik olarak karmaşık ortamlarda yol çatlaklarının gerçek zamanlı tespiti için bir çerçeve

Yolların sağlıklı kalmasının önemi

Çatlamış yollar sadece bir rahatsızlık değildir. Asfalt üzerindeki küçük çatlaklar fark edilmediğinde derin izlere ve çukurlaşmalara dönüşerek araçlara zarar verebilir, teslimatları yavaşlatabilir ve kaza riskini artırabilir. Karayolları kurumları bu sorunları erken tespit etmek için denetim araçlarına takılan kameraları kullanmak istiyor, ancak günümüz bilgisayarlı görü araçları genellikle ince çatlakları kaçırıyor veya gölgeler, su birikintileri ve lekeler gibi karmaşık görüntü elemanları tarafından yanıltılıyor. Bu makale, gerçek dünyadaki dağınık koşullarda bile yol hasarını hızlı ve doğru biçimde tespit edebilen ve bulguları doğrudan standart kaplama sağlık skorlarına dönüştürebilen Crack-YOLO adında yeni bir yapay zeka modelini tanıtıyor.

Laboratuvarda değil, gerçek dünyada çatlak görmek

Mevcut birçok çatlak algılayıcı düzenli test görüntülerinde iyi çalışırken, far ışıkları, ağaç gölgeleri, yağmur suyu, yağ lekeleri ve düşen yapraklar gibi öğelerin sahneyi karıştırdığı gerçek sokaklarda başarısız oluyor. İnce ve saç teli çatlaklar özellikle tanınması zordur: özellikleri zayıftır, sık sık görüntüden kopar ve zararsız yüzey desenleriyle kolayca karıştırılabilir. Yazarlar bunu üç bağlantılı zorluk olarak çerçeveliyor: düşük doğruluk, arka plan karışıklığına yüksek hassasiyet ve çok küçük çatlakların zayıf tespiti. Bu sorunların çözülmesi, yol hasarının doğru haritalarına dayanarak ne zaman ve nerede onarım yapılacağına karar veren modern Kaplama Yönetim Sistemleri için hayati önemdedir.

Daha hafif, daha keskin bir dijital göz

Crack-YOLO, YOLO olarak bilinen popüler nesne algılama ailesi üzerine kuruludur, ancak sistemin daha akıllı “görmesini” sağlarken küçük bilgisayarlarda çalışabilecek kadar hafif kalması için ana parçaları yeniden tasarlar. Öncelikle, görüntüleri analiz etmek için modelin temel yapı taşı bağlam rehberli bir üniteye yükseltilir. Sadece küçük yerel yamalara odaklanmak yerine bu ünite hem hemen çevreden hem de daha geniş sahneden gelen bilgileri harmanlar. Bu, modelin bir çatlağı overall yol yüzeyine karşı sürekli bir çizgi olarak görmesine olanak tanır ve koyu lekeler veya gölgeleri hasarla karıştırma olasılığını azaltır.

Çoklu ölçeklerde ince çizgileri takip etmek

Çatlaklar uzun düz çizgilerden dallanan “timsah” desenlerine ve yuvarlak çukurlara kadar birçok şekil ve boyutta gelir. Bu çeşitliliğe uyum sağlamak için yazarlar bir özellik-birleştirme modülündeki sabit filtreleri girdiye göre değişebilen dinamik filtrelerle değiştirir. Pratikte model, küçük bir alternatif filtre setini tutar ve bunları anlık olarak nasıl harmanlayacağını öğrenir; bu, ağır hesaplama eklemeden hem ince, kıvrımlı çatlakları hem de daha büyük kırık bölgeleri yakalamasına yardımcı olur. Buna ek olarak, yeni bir çıktı başlığı ağın her konum için ince ayrıntı katmanları ile kaba, büyük resmi veren katmanlardan gelen bilgileri harmanlamasına izin verir. Bu çok ölçekli birleşim, geniş alanlara yayılan çatlakları izlerken keskin kenarlara dikkat etmeyi sağlar.

Zorlu yol sahnelerinde performansı kanıtlama

Araştırma ekibi Crack-YOLO’yu farklı ülkelerden, farklı kameralardan ve farklı hava koşullarından gelen dört çatlak görüntü koleksiyonunda test eder; bunlara kasıtlı olarak güneş, yağmur, gölgeler, su birikintileri, yağ lekeleri ve engeller içeren kendi CrackVariety veri setleri de dahildir. Genel olarak yeni model, güçlü bir temel model olan YOLOv8s’e kıyasla daha fazla gerçek çatlağı tespit ederken daha hızlı çalışır. CrackVariety üzerinde tespit kalitesi için ana skoru yaklaşık %40’lardan %71’in üzerine çıkar ve işlem hızı yüksek uç grafik kartında saniyede 400’den fazla görüntüye yaklaşarak neredeyse iki katına çıkar. Özellikle gürültülü ve düşük çözünürlüklü bir veri setinde, birçok diğer YOLO tabanlı modelin başarısız olduğu yerlerde faydalı desenler bulur. SSD ve Faster R-CNN gibi klasik algılayıcılarla karşılaştırıldığında doğruluk ve hız arasında daha dengeli ve istikrarlı bir performans sunar.

Kamera karelerinden bakım kararlarına

Yaklaşımın yalnızca bir laboratuvar egzersizi olmadığını göstermek için yazarlar Crack-YOLO’yu küçük denetim araçlarına monte edilebilecek kredi kartı büyüklüğündeki uygun maliyetli bir bilgisayar olan Raspberry Pi 5 üzerinde çalıştırır. Donanım hızlandırıcıları olmasa bile model birkaç video karesini saniyede analiz edebilir; bu, yavaş hareket eden muayene araçları veya anahtar karelerin örneklenmesi için yeterince hızlıdır. Sistem ayrıca tespitlerini dünya çapında kullanılan Pavement Condition Index (Kaplama Durum İndeksi) ile ilişkilendirir. Her çatlağın fiziksel alanını kamera geometrisinden tahmin eder, sınırlayıcı kutuların neden olduğu aşırı tahmini düzeltir ve sonuçları yerleşik mühendislik formüllerine sokarak her yol bölümü için tek bir sağlık skoru üretir.

Daha akıllı denetimler, daha konforlu sürüşler

Genel olarak çalışma, hem hızlı hem de akıllı bir yol çatlağı algılayıcısının inşa edilebileceğini gösteriyor: Crack-YOLO dağınık, düşük kaliteli görüntülerle başa çıkıyor, birçok kusur türünü izliyor ve mütevazı donanımda çalışıyor. Bulgularını doğrudan standart kaplama puanlamalarına aktararak yapay zeka araştırması ile günlük yol bakım uygulamaları arasındaki boşluğu kapatmaya yardımcı oluyor. Piksel düzeyinde çalışacak ve 3B derinlik veya kızılötesi gibi ek bilgileri birleştirecek şekilde daha da geliştirildiğinde, bu tür sistemler yol ağlarının yüksek düzeyde otomatik, düşük maliyetli izlenmesini destekleyebilir—tekerleği büken çukurlara dönüşmeden çok önce yıpranma belirtilerini yakalayarak.

Atıf: 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

Anahtar kelimeler: yol çatlağı tespiti, yol kaplama izleme, bilgisayarlı görü, derin öğrenme, altyapı bakımı