Своевременное выявление повреждений дорожного покрытия играет ключевую роль в поддержании инфраструктуры и обеспечении безопасности дорожного движения. Традиционные методы инспекции дороги требуют значительных затрат и нередко сопровождаются человеческим фактором. В отличие от них, использование беспилотных летательных аппаратов (БПЛА) в сочетании с современными методами компьютерного зрения предоставляет масштабируемую и экономически выгодную альтернативу. В настоящем исследовании предлагается модель нейронной сети на основе фреймворка YOLOv12 для обнаружения дефектов дорожного покрытия. Модель обучена на наборе данных UAV-PDD2023, включающем более 2400 аэрофотоснимков высокого разрешения, аннотированных по шести категориям повреждений. Для оценки устойчивости и способности к обобщению были рассмотрены две конфигурации модели, различающиеся этапами предварительной обработки данных и набором гиперпараметров. Дополнительно проведено сравнение качества распознавания при замене исходных RGB-изображений их одноканальными версиями. Результаты показывают, что cвыше 90 % дефектов, найденных на RGB-изображениях, также корректно идентифицируются и на одноканальных. Это свидетельствует о том, что одна обученная модель может эффективно применяться к изображениям с разными спектральными характеристиками.
1. Катаев М.Ю., Дадонова М.М., Ефременко Д.С. Коррекция освещённости многовременных RGB-изображений, получаемых с помощью беспилотного летательного аппарата // Светотехника. – 2020. – № 6. – С. 19–25.
2. Kataev M. Yu.. Kartashov E.Y.. Avdeenko V.D. Method for detecting road defects using images obtained from unmanned aerial vehicles // Computer Optics. – 2023. – Vol. 47(3).
3. Чэнь С., Ефременко Д.С., Мон Л., Чжан Ж. Картирование наземных полей аквакультуры по снимкам дистанционного зондирования высокого разрешения // Светотехника. – 2023. – № 4. – С. 76–81.
4. Ariff M.F.M.. Abidin M.S.Z. UAV Photogrammetry for Road Defects Mapping // Journal of Advanced Geospatial Science and Technology. – 2023. – Vol. 3(1). – Р. 1–14.
5. Zhang Y., Zuo Z., Xu X. et al. Road damage detection using UAV images based on multi-level attention mechanism // Automation in Construction. – 2022. – Vol. 144. – 104613.
6. He X., Tang Z., Deng Y. et al. UAV-based road crack object-detection algorithm // Automation in Construction. – 2023. – Vol. 154. – 105014.
7. Zhang Y., Chen J., Wu Z. et al. Optimizing pavement distress detection with UAV: A comparative study of vision transformer and convolutional neural networks // KSCE Journal of Civil Engineering. – 2025. – Vol. 29(6). – 100095.
8. Sun Z., Zhu L., Qin S. et al. Road Surface Defect Detection Algorithm Based on YOLOv8 // Electronics. – 2024. – Vol. 13(12). – 2413,
9. Wang J., Meng R., Huang Y. et al. Road defect detection based on improved YOLOv8s model // Scientific Reports. – 2024. – Vol. 14.
10. Li J., Yuan C., Wang X. Real-time instance-level detection of asphalt pavement distress combining space-to-depth (SPD) YOLO and omni-scale network (OSNet) // Automation in Construction. – 2023. – Vol. 155. – 105062.
11. Alzamzami O., Babour A., Baalawi W., Al Khuzayem L. PDS-UAV: A Deep Learning-Based Pothole Detection System Using Unmanned Aerial Vehicle Images // Sustainability. – 2024. – Vol. 16(21). – 9168.
12. Silva L., Leithardt V. Quietinho and Batista V. et al. Automated Road Damage Detection Using UAV Images and Deep Learning Techniques // IEEE Access. – 2023. – Vol. 11. – P. 62918–62931.
13. Chen Y., Wang Y., Luo et al. BCGW-YOLO: A lightweight network for road damage detection using enhanced feature fusion and dynamically adjusted gradient loss // Digital Signal Processing. – 2026. – Vol. 168, part C. – 105609.
14. Sharma S., Gosain A. Addressing class imbalance in remote sensing using deep learning approaches: a systematic literature review // Evolutionary Intelligence. – 2025. – Vol. 18(1).
15. Yan H., Zhang J. UAV-PDD2023: A benchmark dataset for pavement distress detection based on UAV images // Data in Brief. – 2923. – Vol. 51. –109692.
16. Tian Y., Ye Q., Doermann D. YOLOv12: Attention-Centric Real-Time Object Detectors // arXiv preprint. – 2025. – 2502.12524.
17. Kostenetskiy P S., Chulkevich R.A., Kozyrev V.I. HPC Resources of the Higher School of Economics // Journal of Physics: Conference Series. – 2021. – Vol. 1740(1). – 012050.

• Предыдущая статья
• Следующая статья

• обнаружение дефектов дорожного покрытия
• беспилотные летательные аппараты (БПЛА)
• глубокое обучение
• YOLOv12
• разрушение дорожного покрытия
• одноканальный вывод
• устойчивость к оттенкам серого
• компьютерное зрение
• мониторинг инфраструктуры
• обнаружение объектов