AI для инспекции дорог, деревьев и мебели: где компьютерное зрение уже полезно

Короткий ответ

Компьютерное зрение уже работает в трёх задачах городской инспекции: камеры на автомобилях оценивают состояние покрытия, находят выцветшую разметку и привязывают к карте знаки и столбики, а лидар с камерами находит, обмеряет и проверяет деревья. В пилоте Сан-Хосе распознавание ям достигло 97% истинно-положительных результатов, но классификации, требующие правовой оценки или слежения за движением, пока ненадёжны. Вывод модели стоит считать геопривязанным списком-подсказкой, который проверяют специалисты до выдачи наряда на ремонт или обрезку.

Главные выводы

Инспекция дорог и тротуаров созрела: камеры на автомобилях дают воспроизводимые оценки состояния вместо субъективных ручных обследований и находят дефекты разметки.
Уличную мебель и дорожные элементы можно автоматически каталогизировать с проезжающей машины и загружать в цифровой двойник города для управления активами.
Деревьям больше всего помогает сочетание лидара и камер: лидар измеряет высоту, крону и сухие ветви, а сегментация листьев выявляет повреждения от бактерий, вредителей и грибков.
Точность зависит от класса объекта, а не от системы в целом: в пилоте Сан-Хосе ямы распознавались с точностью 97%, а жилые автофургоны лишь на 12,5%.
Устаревшие муниципальные реестры — реальная ловушка: в Болонье кадастр деревьев оказался устаревшим примерно на два десятилетия, и многих обнаруженных деревьев в нём не было.
Находки с высокими рисками должен подтверждать человек, а персональные данные на уличных кадрах следует размывать ещё на этапе съёмки.
Проверенные и геопривязанные результаты ложатся в ГИС и модели жизненного цикла, направляя бюджет на самые рискованные объекты.

Где компьютерное зрение уже справляется уверенно

Три класса городских активов сегодня являются практичными целями для автоматической визуальной инспекции: покрытие дорог и тротуаров, уличные деревья вдоль коридоров и небольшие объекты инфраструктуры вокруг них — знаки, столбики, светофоры, барьеры. Их объединяет то, что важнейшие сигналы о состоянии проявляются как заметные изменения внешнего вида или геометрии: трещина или яма в асфальте, сухая ветвь или больной лист в кроне, выцветший или повреждённый знак. Поэтому они хорошо подходят моделям детекции объектов и семантической сегментации, работающим по кадрам обычных камер и облакам точек лидара.

Экономика сместилась, потому что съёмка стала дешёвой и повторяемой. Машины и так проезжают по каждой улице, и установка камеры высокого разрешения, лидара и ноутбука стоит куда меньше, чем ручной обход объектов инспекторами. Алгоритмы семейства YOLO и сети сегментации, когда-то требовавшие специализированного оборудования, теперь работают почти в реальном времени, а открытые обучающие наборы, например RDD2022 для повреждений дорог, снижают порог для первой модели. Реалистичная позиция не в том, что алгоритмы заменяют инспекторов, а в том, что разреженные и субъективные обходы превращаются в плотные, геопривязанные и повторяемые наблюдения, которые специалисты могут проверять.

Дороги и тротуары: от субъективных обследований к повторяемым оценкам

Конкретный пример — графство Дан-Лэаре-Ратдаун в Ирландии, которое в конце 2025 года первым в стране запустило пробное обследование дорог на основе машинного зрения. Камеры обзора 360 градусов на автомобилях снимают сеть протяжённостью 823 км, а анализ изображений даёт согласованные оценки состояния покрытия, рано выявляет стёршуюся разметку и привязывает к карте уличную мебель — знаки и столбики. Совет противопоставляет это традиционным индексам состояния покрытия, которые называет ручными и субъективными, и отмечает, что система дополнительно оценивает тротуары и ведёт инвентаризацию, чего прежние методы не давали.

Ценность здесь управленческая, а не только техническая. Снимки питают модели жизненного цикла и определение участков работ, позволяя приоритизировать объекты с наибольшим риском, точнее расходовать бюджет и планировать ремонт тротуаров для доступности и активного передвижения. Власти также ожидают, что данные снизят риски гражданской ответственности за дефекты и связаны с целью климатического плана сократить выбросы на 51% к 2030 году за счёт точечных устойчивых вмешательств. Иными словами, пользу обследования измеряют тем, как оно меняет очередь ремонтов и диалог о бюджете, а не одной лишь точностью детекции.

Похожие идеи есть и на уровне проектов. Студенты Новосибирского государственного технического университета НЭТИ разработали прототип системы компьютерного зрения, который на видеопотоке выделяет ямы и трещины, сломанные дорожные знаки, неработающие светофоры и стёртую «зебру», обучая модель на размеченном наборе более чем из 6000 снимков и планируя передавать геолокацию дефектов на карту города для дорожных служб. Этот пример подтверждает, что сама детекция — уже не самая сложная часть; основная работа — во внедрении, проверке и интеграции с существующими процессами содержания дорог.

Уличная мебель: камера как инвентаризатор активов

Те же кадры, что оценивают покрытие, могут каталогизировать и небольшие объекты, которыми владеет город. В программе цифрового двойника Мадрида система искусственного зрения обрабатывает изображения с камер, установленных на машинах, ездящих по городу; она автоматически распознаёт и каталогизирует дорожные знаки, уличную мебель, элементы дорожной инфраструктуры и другие точки интереса. Затем этот реестр объединяют с 2D и 3D картографией, облаками точек высокого разрешения, а иногда и с данными о трафике в реальном времени для управления активами, городского планирования и городских сервисов.

Польза автоматического каталога в том, что реестр активов перестаёт быть снимком, устаревающим почти сразу после печати. Когда каждый знак, барьер и столбик имеет геолокацию и оценку состояния, власти могут отвечать на практичные вопросы: каких столбиков не хватает или какие повреждены, какие знаки выцвели ниже читаемости, где уличная мебель перекрывает обзор и какие объекты стоят в коридорах, запланированных к ремонту покрытия. Обогащение визуального слоя данными о движении добавляет измерение использования, позволяя понимать неподвижный актив в контексте того, как улица реально используется.

Для ремонтных бригад практический эффект — переход от реактивных жалоб к плановой работе. Вместо ожидания заявки жителя о повреждённом знаке или барьере город формирует ранжированный список объектов по возрасту, расположению и состоянию и включает его в ту же ГИС и систему нарядов, что и для дефектов покрытия. Главная оговорка: распознавание мебели зависит от тех же ограничений, что и любая задача зрения, — качества кадра, угла съёмки и перекрытий. Объекты, спрятанные за припаркованными машинами или листвой, будут пропущены, поэтому автоматический реестр стоит считать первым проходом, который поддерживает актуальным периодическая повторная съёмка.

Городские деревья: строение, здоровье и риск по лидару и снимкам

Деревья находятся на пересечении безопасности и ценности зелёных активов, и именно здесь сильнее всего окупается сочетание лидара и обычных камер. Пусан в Южной Корее в 2025 году начал пилот, охватывающий 8000 уличных деревьев вдоль центральной магистрали: лидар на автомобилях, камеры высокого разрешения и ИИ-анализ автоматически фиксируют местоположение, породу, высоту, ширину кроны и наличие сухих ветвей на площади около 25 тысяч квадратных метров. Заявленная цель шире простого обследования: город строит систему упреждающего реагирования, которая заранее анализирует вспышки вредителей, гниение стволов и риск падения, и связывает её с управлением жизненным циклом, включая напоминания о поливе, удобрении, обработке и историю обрезок и пересадок.

Методы только по камерам добавляют сигнал о здоровье на уровне листа. Исследователи университетов Васэда и Рюкоку создали систему, описанную в журнале Measurement: алгоритмы YOLOv8 и DeepSORT находят и отслеживают отдельные листья по кадрам видео, оставляя самые чёткие виды, а сеть сегментации DeepLabV3Plus количественно оценивает повреждённые участки. Система автоматически выявляет больные зоны на отдельных листьях, вызванные бактериями, вредителями и грибками, и проверена на съёмке городских растений в Токио. Поскольку камеры можно ставить на дроны или обычные коммунальные машины, например мусоровозы, рутинные услуги удваиваются как сбор данных без повреждения деревьев отборами проб.

Реалистичное разделение труда идёт по масштабу. Авиационный лидар даёт широкое покрытие и извлекает высоту и показатели кроны по целому району, что питает углеродные, пыльцевые и пологовые индикаторы. Но исследование из Болоньи, сравнивавшее два алгоритма сегментации деревьев по воздушному лидару, отмечает, что такой лидар может плохо видеть подлесок и точно фиксировать форму кроны в густых зонах, а для определения породы и подробного состояния здоровья нужны наземный или мобильный лидар и спектральные измерения ближе к деревьям. Зрелые программы потому сочетают широкий, но неглубокий воздушный проход с узким и детальным наземным.

Точность оценивается по классу, а не по системе

Главный урок действующих пилотов — точность нужно сообщать по каждому классу объектов, потому что она сильно различается. В Сан-Хосе (Калифорния) пилот, поддержанный и оценённый Министерством транспорта США, шёл с декабря 2023 по июль 2024 года: камеры на городских машинах передавали данные, а четыре вендора тестировались против кадров, которые городские сотрудники проверяли вручную. Детекция ям достигла 97% истинно-положительных результатов, и жители активно поддерживали ускорение ремонта ям с помощью ИИ. Обнаружение мусора и отходов достигло 88%, хотя сотрудники отметили риск ошибочной классификации палаточных городков.

Не менее показательны неудачи. Распознавание автофургонов дало лишь 70% точности, жилых фургонов — 12,5%, а модель не могла надёжно отслеживать слегка сдвинувшиеся машины, что сделало детекцию нарушений парковки с лимитом 72 часа непригодной. Граффити и палаточные городки из пилота исключили вовсе из-за ограничений по ресурсам и вопросов приватности, а все персонально идентифицируемые данные на кадрах размывали при сборе. Вывод: задачи, основанные на внешнем виде, например поиск ямы, обобщаются хорошо, тогда как задачи, требующие правовой классификации или слежения за движением во времени, остаются уделом человека.

Практическое следствие — задавать ожидания по каждому типу дефекта при покупке или разработке системы. Вопрос вендору об общей точности менее информативен, чем запрос матрицы ошибок по классам на местных кадрах, желательно на тех же улицах и при том же освещении и погоде, где система будет реально работать. Там, где ставки высоки, сотрудникам следует сверять детекции с исходными снимками до любых мер принуждения или дорогих нарядов, повторяя процедуру проверки, встроенную в пилот Сан-Хосе.

Эталонные данные, гигиена данных и человек в контуре

Автоматизированная инспекция надёжна настолько, насколько надёжны эталонные данные для её проверки, и муниципальные реестры часто оказываются слабым звеном. В Болонье исследователи, сравнивавшие два подхода к сегментации деревьев с городским каталогом, обнаружили, что примерно половины деревьев, найденных в данных лидара, в каталоге нет, часть записей соответствует местам без видимого дерева, а большинство данных о высоте устарели примерно на два десятилетия. Они заключили, что реестр не годится как эталон для обучения и оценки моделей выделения деревьев, и рекомендовали регулярную авиасъёмку для поддержания актуальности.

Сходные проблемы есть и у дорог. Разработчики одной многомодельной системы детекции повреждений, обученной на наборе RDD2022, выделяют постоянные сложности: нехватку размеченных данных, большие объёмы, неудобные углы съёмки, низкое разрешение и разные типы покрытия. Каждый из этих факторов ухудшает перенос модели из лабораторного набора на асфальт и климат конкретного города. Поскольку условия различаются по регионам и сезонам, модель, работающую в одном месте, нельзя считать рабочей в другом без местной перепроверки и, желательно, дообучения на локальных снимках.

Именно поэтому ответственное внедрение оставляет человека в контуре и заранее задаёт частоту повторной съёмки. Для оценки крон нужны кадры с листвой в соответствующий сезон, после ремонта покрытия или сильных штормов требуется новый проход, а до хранения и передачи кадры следует проверять на приватность — размывать лица, номера и другую идентифицирующую информацию. Закономерность для дорог, деревьев и мебели едина: камеры и модели отлично находят кандидатов в проблемы и повторяемо измеряют их, но решение действовать и правовая оценка риска остаются за обученными людьми, которые подтверждают каждую находку до того, как она станет нарядом.

Практический инструмент

Чек-лист запуска пилота визуальной ИИ-инспекции

Используйте его как инструмент скоупинга и фильтра до закупки или разработки системы компьютерного зрения для дорог, деревьев или уличной мебели. Он удерживает реалистичные ожидания, помечает, где необходим человеческий контроль, и готовит пилот так, чтобы его результаты реально управляли решениями по содержанию.

Сначала назовите решение, которое должны поддержать данные: очередь ремонтов, бюджет замен, реестр рисков или аварийное реагирование. Не покупайте датчики, пока это не определено.
Согласуйте платформу съёмки с активом: камеры обзора 360 градусов для покрытия и мебели, мобильный или наземный лидар с камерами для структуры и здоровья деревьев, авиационный лидар — только для широких пологов и районных показателей.
Убедитесь, что класс детекции реалистичен сегодня. Ямы, трещины, выцветшая разметка, инвентаризация знаков и столбиков, сухие ветви и повреждения листьев доказаны; правовые или связанные с движением задачи, например парковка по времени, пока ненадёжны.
Соберите или разметьте эталонные данные для своего региона, типов покрытия и сезонов. Открытые наборы вроде RDD2022 помогают начать, но каждую модель нужно перепроверять локально: угол, свет, асфальт и породы различаются.
Проверяйте по эталону силами обученных сотрудников, а не по заявлениям вендора. В пилоте Сан-Хосе городские специалисты сверяли результаты ИИ с исходными кадрами и измеряли долю истинно-положительных результатов по каждому классу.
Задайте явный график повторной съёмки: ежегодно или по сезону для крон деревьев, после ремонта или штормов для дорог, регулярно для мебели, реестр которой быстро устаревает.
Спланируйте приватность до съёмки: размывайте лица, номера и другую идентифицирующую информацию и исключайте категории, вызывающие вопросы приватности или по которым вы не можете действовать.
Назначьте ответственного за проверку находок с высокими рисками до выдачи наряда, мер принуждения или решения об обрезке.
Направляйте проверенные результаты в ГИС и систему управления активами, чтобы они питали модели жизненного цикла и приоритизировали самые рискованные объекты, а не лежали отдельным отчётом.
Ограничьте пилот одним районом или коридором, определите измеримые выгоды (например, срок до ремонта или перераспределение бюджета) и подведите итоги до масштабирования на весь город.

Частые вопросы

Какие дефекты дорог компьютерное зрение надёжно находит уже сегодня?

Рабочие системы уверенно находят ямы, продольные, поперечные и сетчатые трещины, переувлажнение и выцветшую разметку по кадрам с автомобильных камер, а также оценивают состояние покрытия и тротуаров. В пилоте Сан-Хосе доля истинно-положительных результатов для ям достигла 97%. Точность зависит от размеченных данных, угла съёмки, разрешения и типа покрытия, поэтому результаты стоит проверять по классам на местных кадрах, а не принимать на веру цифры вендора.

Может ли ИИ выявлять болезни уличных деревьев?

Да, на двух уровнях. Системы сегментации на уровне листа, например разработка университетов Васэда и Рюкоку, сочетают отслеживание объектов с сегментацией изображения и количественно оценивают повреждённые участки листьев, вызванные бактериями, вредителями и грибками, работая по обычному видео с дронов или коммунальных машин. Лидарные и снимковые конвейеры также фиксируют структурные признаки риска — сухие ветви, гниение и опасность падения, как в пилоте Пусана. Визуальные признаки болезни для подтверждения причины и тяжести требуют наземного осмотра.

Что нужно, чтобы инвентаризация деревьев на ИИ была надёжной?

Надёжный реестр сочетает датчики, измеряющие геометрию, с проверенными эталонными данными. Мобильный или наземный лидар даёт местоположение, высоту, ширину кроны и диаметр ствола, авиационный лидар покрывает широкие районы, но хуже видит густые кроны и подлесок. Главный риск — устаревшие муниципальные реестры: исследование в Болонье показало, что в официальном каталоге нет примерно половины деревьев, найденных лидаром, а большинство записей датируется примерно двадцатью годами. Планируйте периодическую повторную съёмку и выборочную проверку в поле.

Как автоматически каталогизируют уличную мебель?

Системы искусственного зрения обрабатывают кадры с камер, установленных на машинах, ездящих по городу. Цифровой двойник Мадрида так автоматически распознаёт и каталогизирует дорожные знаки, уличную мебель и элементы дорожной инфраструктуры, объединяя результат с 2D и 3D картографией, облаками точек, а иногда и данными о трафике. Выход — геопривязанный реестр активов с оценкой состояния для управления и планирования, хотя объекты за припаркованными машинами или листвой могут пропускаться.

Почему важно сообщать точность по каждому классу объектов?

Потому что результаты сильно различаются по задачам. В пилоте Сан-Хосе детекция ям достигла 97% истинно-положительных результатов, мусора — 88%, но автофургоны распознавались лишь на 70%, жилые фургоны на 12,5%, а нарушения парковки с лимитом 72 часа отследить надёжно не удавалось. Единая цифра общей точности скрывает эти различия. Распознавание по внешнему виду обобщается хорошо, а правовая классификация и слежение за движением пока ненадёжны, поэтому оценивать и закупать нужно по классам.

Может ли одна система охватить дороги, деревья и уличную мебель одновременно?

Технически да, но на практике нужен модульный многомодельный подход, а не один универсальный детектор. Разные классы требуют разной геометрии и разрешения съёмки: покрытие и мебель работают по кадрам обзора 360 градусов, деревьям часто нужен лидар с камерами, а некоторым сигналам здоровья — разрешение на уровне листа. В исследованиях детекции дорог описываются модульные конвейеры, где отдельные модели работают вместе, а новые категории повреждений добавляются без перестройки ядра системы.

Как городу сохранить человека в контуре при использовании инспекционного ИИ?

Относитесь к автоматическим находкам как к приоритизированному геопривязанному списку-подсказке для проверки сотрудниками, как в Сан-Хосе, где результаты ИИ сверяли с исходными кадрами вручную. Назначьте ответственного за подтверждение находок с высокими рисками — деревьев с угрозой падения, структурных дефектов или возможных нарушений — до выдачи наряда. Параллельно размывайте персональные данные при съёмке и исключайте категории, по которым вы не можете действовать, чтобы человеческое решение подкреплялось, а не подменялось.

Источники и дополнительные материалы

Источники проверены при подготовке страницы. Изменяемые даты, нормы и цены уточняйте у первоисточника.

DLR Leads the Way with Ireland’s First AI-Powered Road and Footpath SurveyDún Laoghaire-Rathdown County Council
Madrid's digital twin – VSD City InventoryAyuntamiento de Madrid
Road Safety Conditions Pilot in California Using Computer Vision and AI: 97 Percent Accuracy in Pothole DetectionUS Department of Transportation, ITS Knowledge Resources
Plant doctor: An AI system that watches over urban trees without touching a leafEurekAlert! / Waseda University
Busan Pilots AI and LiDAR-Based Smart Tree Management SystemSeoul Economic Daily
Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in BolognaarXiv, University of Bologna
В НГТУ НЭТИ разрабатывают систему выявления дефектов дорожного покрытияНовосибирский государственный технический университет (НГТУ НЭТИ)