La dashboard di un veicolo, se abbinata a un modello di visione artificiale, può produrre una mappatura affidabile del degrado delle pavimentazioni urbane. A sostenerlo è uno studio recente apparso sulla rivista Infrastructures (Vol. 11, Pag. 207), che ha messo a punto e validato un workflow basato su YOLOv8 per la stima del Pavement Condition Index (PCI). I risultati, confortanti sul piano statistico, aprono scenari operativi interessanti per gli enti gestori e i tecnici pubblici, pur evidenziando limiti da non sottovalutare.
Architettura del sistema e prestazioni del modello
Il cuore dello studio è un algoritmo di object detection addestrato sul dataset pubblico N-RDD2024. I ricercatori hanno selezionato YOLOv8 per la sua efficienza in contesti eterogenei e lo hanno implementato in ambiente Python. Le classi di danno target includono:
- fessurazioni longitudinali
- fessurazioni trasversali
- fessurazioni a pelle di coccodrillo
- buche
Sul fronte delle metriche, la rete ha raggiunto un’accuratezza globale dell’84,6%, una precisione dell’89,6% e un richiamo dell’86,3%. Il dato, a detta degli autori, conferma la robustezza del rilevamento anche sotto condizioni di illuminazione e fondo non controllate, tipiche delle riprese da cruscotto.
Dalla ripresa video al PCI computazionale
Il framework elabora un flusso automatizzato. Le immagini acquisite lungo 6,3 km di strade urbane a manto flessibile vengono processate per identificare le anomalie, classificarne la gravità e la diffusione, e infine calcolare il PCI secondo la procedura ASTM D6433-20. L’intera catena, dalla dash-cam all’indice numerico, non richiede intervento manuale, fattore che riduce tempi e costi di ispezione su larga scala.
Validazione incrociata: PCI manuale, AI e PASER
La fase di verifica ha interessato 23 tratti stradali. Per ciascuno sono stati confrontati tre valori:
- PCI derivato dall’elaborazione automatica delle immagini
- PCI rilevato con ispezione visiva manuale (gold standard)
- rating PASER (Pavement Surface Evaluation and Rating) generato dalla piattaforma Blyncsy
I dati mostrano una correlazione molto alta tra le stime automatizzate e quelle manuali. L’indice R quadrato si attesta a 0,925, il coefficiente di correlazione di Pearson a 0,962 e quello di Spearman a 0,955. L’errore medio assoluto è di soli 5 punti PCI, mentre la radice dell’errore quadratico medio tocca 6,1 punti.
Al contrario, i punteggi PASER hanno evidenziato una concordanza minore con le ispezioni manuali, tendendo a sovrastimare le condizioni del manto. Per i tecnici comunali, questo implica che l’approccio basato su YOLOv8 e ASTM D6433-20 offre, al momento, una stima più aderente alla realtà rispetto ai sistemi di rating più speditivi.
Limiti operativi e prospettive di sviluppo
Lo studio non nasconde le criticità. Le prestazioni del modello degradano sensibilmente in presenza di condizioni ambientali difficili (illuminazione scarsa, ombre marcate, riflessi) e su tratti con degrado molto avanzato. Gli autori segnalano la necessità di affinare la quantificazione dei danni, bilanciare il dataset di training e integrare sensori multimodali (ad esempio termici o lidar) per una diagnostica più completa.
Dal punto di vista della pratica professionale, la metodologia si candida comunque come strumento di monitoraggio a basso costo per reti viarie estese. La possibilità di aggiornare periodicamente il PCI senza mobilitare squadre di ispettori in campo rappresenta un vantaggio concreto per la programmazione degli interventi di manutenzione ordinaria e straordinaria, anche in assenza di risorse dedicate.
Lascia un commento