Detecção Automática de Defeitos em Pavimentos: Uma Abordagem com Deep Learning via YOLOv8n

• Nicole S. Batista Universidade Federal do Ceará (UFC)
• Victor C. Oliveira Universidade Federal do Ceará (UFC)
• Thiago I. A. Souza Universidade Federal do Ceará (UFC)
• Mariana T. Castro Universidade Federal do Ceará (UFC)
• Danielo G. Gomes Universidade Federal do Ceará (UFC)
• Bruno V. Bertoncini Universidade Federal do Ceará (UFC)
• Verônica T. F. C. Branco Universidade Federal do Ceará (UFC)

DOI: https://doi.org/10.5753/bresci.2025.248214

Resumo

A identificação automática de defeitos em vias públicas tem se tornado uma alternativa relevante para otimizar ações de manutenção urbana. Este trabalho avalia o desempenho do modelo de detecção YOLOv8n, utilizando um conjunto real de imagens de vias brasileiras com foco em pavimentos urbanos localizados no estado do Ceará, rotuladas com a classe “defeito” por meio da plataforma Roboflow. As imagens foram convertidas para o formato YOLO, passaram por etapas de preparação, aumento de dados e treinamento supervisionado. Os principais resultados apontam precisão de 74,60%, recall de 44,18% e mAP@50 de 0,521. Os resultados indicam desempenho satisfatório na identificação de ocorrências visuais simples, validando a viabilidade do uso da abordagem em aplicações de apoio à manutenção viária e correlação entre estado de vias e emissão de poluentes atmosféricos.

Palavras-chave: yolo, aprendizado profundo, classificação de defeitos, pavimentos

Referências

Ali, R., Chuah, J. H., Talip, M. S. A., Mokhtar, N., and Shoaib, M. A. (2022). Crack segmentation network using additive attention gate—csn-ii. Engineering Applications of Artificial Intelligence, 114:105130.

Barbosa, J. C. P., Rosa, F. D., and Rieder, R. (2024). Pothole detection web app: uma abordagem para detecção de buracos em pavimentos asfálticos utilizando yolo. Revista Brasileira de Computação Aplicada, 16:1–12.

Khare, O. M., Gandhi, S., Rahalkar, A. M., and Mane, S. (2023). Yolov8-based visual detection of road hazards: Potholes, sewer covers, and manholes. DBLP.

Kumar, K. and Pande, B. P. (2022). Air pollution prediction with machine learning: a case study of indian cities. International Journal of Environmental Science and Technology, 20.

Liu, H., Yang, J., Miao, X., Mertz, C., and Kong, H. (2023). Crackformer network for pavement crack segmentation. IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 24:9240–9252.

Luan, Y. C., Zhang, W. G., Shen, S. H., Wu, S. H., Ma, T., Zhou, X. Y., Mohammad, L. N., and Fu, Y. (2024). Effect of aged material properties on transverse crack performance with two-round field observations. Road Materials and Pavement Design, 25:1037–1053.

Matarneh, S., Elghaish, F., Rahimian, F. P., Abdellatef, E., and Abrishami, S. (2024). Evaluation and optimisation of pre-trained cnn models for asphalt pavement crack detection and classification. Automation in Construction, 160:105297.

Ou, J., Zhang, J., Li, H., and Duan, B. (2025). An improved yolov10-based lightweight multi-scale feature fusion model for road defect detection and its applications. Advances in Engineering Software, 2028:103976.

Souza, M., Oliveira, C. E., and Decker, P. H. B. (2025). Defect detection using yolov8 for determining the condition of asphalt pavements. Revista ALCONPAT, 15:79–91.

Xiong, C., Zayed, T., and Abdelkader, E. M. (2024). A novel yolov8-gam-wise-iou model for automated detection of bridge surface cracks. Construction and Building Materials, 414:135025.

Yeung, C. and Lam, K. (2024). Contrastive decoupling global and local features for pavement crack detection. Engineering Applications of Artificial Intelligence, 133:108632.

Zhang, Z., Wu, J., Song, W., Zhuang, Y., Xu, Y., Ye, X., Shi, G., and Zhang, H. (2025). Ards-yolo: Intelligent detection of asphalt road damages and evaluation of pavement condition in complex scenarios. Measurement, 242:115946.