Целью статьи является исследование эффективности применения интеллектуальной системы мониторинга дорожного покрытия на основе компьютерного зрения и генетического алгоритма кластеризации. Исследование направлено на оценку точности детекции дефектов, анализ производительности гибридной архитектуры и проверку соответствия автоматизированных решений требованиям нормативных документов. Для достижения поставленной цели представлена интеллектуальная система мониторинга дорожного покрытия, разработанная для автоматизации выявления дефектов (выбоин, трещин) и формирования ремонтных рекомендаций на основе современных технологий компьютерного зрения и генетических алгоритмов. Система реализована в гибридной архитектуре (микросервисы и монолитный модуль) с использованием Kubernetes, что обеспечивает баланс между производительностью и масштабируемостью. Для детекции дефектов применена модель распознавания объектов, демонстрирующая высокую точность и устойчивость к сложным условиям российских дорог (тени, осадки). Методы фотограмметрии обеспечивают точную геопривязку повреждений, а генетический алгоритм кластеризации объединяет дефекты в ремонтные зоны, учитывая их плотность и пространственное распределение. Внедрение системы позволило сократить время обследования 1 км дороги с 4 ч до 20–25 мин и снизить затраты на 58–62 %. Результаты исследования подтверждают эффективность предложенного подхода для повышения точности мониторинга, объективности оценки состояния дорожного покрытия и оптимизации ремонтных работ. Система готова к интеграции в региональные системы управления дорожной инфраструктурой.
The main goal of this paper is to study the efficiency of using an intelligent road surface monitoring system based on computer vision and a genetic clustering algorithm. The study is aimed at assessing the accuracy of defect detection, analyzing the performance of the hybrid architecture and checking the compliance of automated solutions with regulatory requirements. To achieve this goal, an intelligent road surface monitoring system is presented, developed to automate the detection of defects (potholes, cracks) and the process of forming repair recommendations based on modern computer vision technologies and genetic algorithms. The system is implemented in a hybrid architecture (microservices + monolithic module) using Kubernetes, which ensures a balance between performance and scalability. To detect defects, an object recognition model is used that demonstrates high accuracy and resistance to the difficult conditions of Russian roads (shadows, precipitation). Photogrammetry methods provide accurate georeferencing of damage, and the genetic clustering algorithm combines defects into repair zones, taking into account their density and spatial distribution. The implementation of the proposed system reduces the time of inspection of 1 km of road from 4 hours to 20-25 minutes and reduces costs by 58-62 %. The results of the study confirm the effectiveness of the proposed approach in increasing the monitoring accuracy, objectivity of road surface condition assessment and optimization of repair work. The system is ready for integration into regional road infrastructure management systems.
1. ГОСТ Р 50597-2017. Автомобильные дороги и улицы. Требования к эксплуатационному состоянию. М.: Стандартинформ, 2017. 21 с.
2. СП 78.13330.2012. Автомобильные дороги. Актуализированная редакция СНиП 3.06.03‑85. М.: Минрегион России, 2012. 89 с.
3. Liling L., Sharad S., Gongzhu H. Analysis of road traffic fatal accidents using data mining techniques // 2017 IEEE 15th International Conference on Software Engineering Research, Management and Applications (SERA). London. 2017. P. 363–370. DOI: 10.1109/SERA.2017.7965753.
4. Аналитические обзоры состояния безопасности дорожного движения // Официальный сайт Министерства внутренних дел Российской Федерации. [Электронный ресурс]. URL: https://нцбдд.мвд.рф/ресурсы/аналитические-обзоры-состояния-безопасно (дата обращения: 20.07.2025).
5. Приказ Министерства транспорта Российской Федерации от 07 августа 2020 г. № 288 «О Порядке проведения оценки технического состояния автомобильных дорог» [Электронный ресурс]. URL: http://www.publication.pravo.gov.ru/Document/View/0001202011200072 (дата обращения: 20.07.2025).
6. Wang W. Achieving Business Scalability with Composable Enterprise Architecture // in IEEE Access. 2025. Vol. 13. P. 76464–76472. DOI: 10.1109/ACCESS.2025.3564710.
7. Oumoussa I., Saidi R. Evolution of Microservices Identification in Monolith Decomposition: A Systematic Review // in IEEE Access. 2024. Vol. 12. P. 23389–23405. DOI: 10.1109/ACCESS.2024.3365079.
8. Makris A., Kontopoulos I., Psomakelis E., Xyalis S.N., Theodoropoulos T., Tserpes K. Performance Analysis of Storage Systems in Edge Computing Infrastructures // Applied Sciences (Switzerland). 2022. Vol. 12. Is. 17. P. 8923. DOI: 10.3390/app12178923.
9. Китов В.В. Обнаружение объектов: YOLO // Deep Machine Learning. [Электронный ресурс]. URL: https://deepmachinelearning.ru/docs/Neural-networks/Object-detection/YOLO (дата обращения: 05.08.2025).
10. Wang C., Bochkovskiy A., Liao H. YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors // 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver, BC, Canada. 2023. P. 7464–7475. DOI: 10.1109/CVPR52729.2023.00721.
11. TensorRT Ecosystem Documentation // NVIDIA. Developer. URL: https://developer.nvidia.com/tensorrt (дата обращения: 05.08.2025).
12. Krishnamoorthi R. Quantizing Deep Convolutional Networks for Efficient Inference: A Whitepaper // arXiv. 2018. Р. 36. DOI: 10.48550/arXiv.1806.08342.
13. ONNX Runtime. Optimization Techniques // Cross-platform inference and training machine-learning accelerator. URL: https://onnxruntime.ai/docs/performance (дата обращения: 20.07.2025).
14. Kiselev S.A., Podberezkin A.A., Borzenkov A.M., Ostroukh A.V., Pronin C.B. Dynamic Pricing in Air Cargo: Machine Learning and Genetic Algorithm-Based Optimization // 2025 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). St. Petersburg. 2025. P. 1–5. DOI: 10.1109/WECONF65186.2025.11017136.
15. Borzenkov A.M., Ostroukh A.V., Pronin C.B., Podberezkin A.A., Kuftinova N.G. Multi-Criteria Analysis of Genetic Algorithm Applications in Transportation Logistics // 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED). Moscow. 2024. P. 1–4. DOI: 10.1109/TIRVED63561.2024.10769798.
16. Akopov A.S. MBHGA: A Matrix-Based Hybrid Genetic Algorithm for Solving an Agent-Based Model of Controlled Trade Interactions // in IEEE Access. 2025. Vol. 13. P. 26843–26863. DOI: 10.1109/ACCESS.2025.3539460.