包含坑洞、裂缝和维护孔的真实道路损伤数据集

为什么坎坷的街道很重要

任何曾为躲避坑洞而急打方向盘或在车过裂缝时感到颠簸的人都知道，道路损坏不仅是烦扰：它影响安全、维修费用以及城市运行的顺畅性。然而逐条人工检查既慢又昂贵，有时还不安全。本研究引入了一组新的真实路边照片，旨在帮助计算机自动识别坑洞、裂缝和维护孔，以便道路维护人员更快且更公平地规划城市和乡村地区的维修工作。

更细致地看受损道路

作者将注意力集中在三种常见的路面特征：坑洞、裂缝和维护孔。坑洞是常见的碗状空洞，会损坏轮胎和悬挂系统。裂缝是细小的断裂，会扩展并最终形成更大的破坏。维护孔是通往地下管道和电缆的圆形盖板。尽管它们本身并非损伤，但在照片中常常看起来与坑洞极为相似。以往的道路图像集合常常忽略维护孔或将其与损伤混淆，从而使计算机系统难以区分有害缺陷与正常基础设施。

图片是如何采集的

为构建更贴近现实的日常道路图像库，团队在意大利的罗马及其附近城镇萨克罗法诺手工采集了图像。他们使用了两种许多城市负担得起的低成本设备：安装在汽车挡风玻璃上的 GoPro 相机，以及在车辆停靠时使用的一部普通三星智能手机。在适度车速下行驶，他们在不同的光照和天气条件下录制街道视频，然后从中截取能够清晰显示路面缺陷的静态图像。所有图片都被调整到实用的分辨率，并经过仔细检查以模糊人脸和车牌、删除非常低质量的帧，并避免极端黑暗、眩光或大雨等会使标注不可靠的场景。

将路面场景转为可用数据

在清洗图片后，研究者手工检查了 2009 张照片，并标注了每一个可见的坑洞、裂缝和维护孔。他们使用了专业的标注软件，使得人工可以给每个对象画出矩形框并将其分配到三类之一。总计他们标注了 1261 个坑洞、2519 条裂缝和 957 个维护孔。文件以与流行人工智能工具直接兼容的格式存储，便于其他团队加载图像和标签。该数据集同时覆盖了城市和乡村道路、湿润与干燥路面以及多种观察角度，使计算机更全面地理解从行驶车辆或路边行人视角看见的真实损伤样貌。

在新数据集上测试智能检测器

为了检验该集合在实际中的效用，作者训练了若干现代目标检测系统，包括近期为在小型计算设备上运行而设计的紧凑型 YOLO 系列模型。他们将数据集分成多个折，循环地在部分图像上训练并在剩余图像上测试以检验一致性。模型依据其标注损伤的精确度、找到的真实缺陷数量以及预测与实际位置的重合紧密度进行评估。表现最好的紧凑型模型在三类目标上都取得了较高的精确度，尤其是在维护孔上，表明即使在计算能力受限时，图像和标签也能支持准确学习。研究还比较了旧有与新型模型设计，发现更新的轻量化网络在较高图像分辨率下明显优于传统方法。

这对未来道路养护意味着什么

对于非专业读者，关键结论是这项工作提供了一套实用且公开可用的真实街道图像，能够简化训练和比较用于发现道路问题的智能系统。由于照片来自普通相机，涵盖城市与乡村道路，并包括像维护孔这样易混淆的对象，它们为可部署在公交车、服务车辆乃至智能手机上的工具提供了现实的测试平台。尽管该数据集目前以意大利道路为主，且尚未跟踪损伤随时间的演变，但它为基于可靠计算机视觉的更安全、更及时且更具成本效益的道路维护奠定了坚实基础。

引用: 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

关键词: 道路损伤, 坑洞, 计算机视觉, 目标检测, 自动驾驶