Stupňování kvality povrchu (škála 1–5) pro hodnocení stavu vozovky

Definice škály kvality 1–5

Systém tříd kvality TarmacView mapuje vizuální stav povrchu vozovky na ordinální škálu od 1 do 5, kde 1 představuje výborný povrch a 5 velmi špatný povrch. Tato pětistupňová klasifikace se řídí principem uspořádaných kategoriálních hodnocení, která jsou běžná v zavedené praxi správy vozovek, avšak je specificky kalibrována na výstup prostoru embeddingů počítačového vidění, nikoli na protokol založený na ručním měření poruch.

Pět tříd kvality je definováno následovně:

Třída 1 – Výborný (Velmi dobrý). Povrch vozovky ve stavu třídy 1 nevykazuje žádné viditelné vady jakéhokoli druhu. Textura povrchu je jednotná, barva konzistentní a nejsou patrné žádné praskliny, odlupování, výtluky, záplaty, vytékání asfaltu ani žádná jiná forma degradace povrchu. Povrch vypadá jako čerstvě postavená nebo nedávno opravená vozovka. Spáry (jsou-li přítomny) jsou těsné a dobře utěsněné. V praxi představuje třída 1 ideální referenční stav, vůči kterému jsou měřeny všechny ostatní třídy. Úseky silnic s mediánovou třídou kvality 1 nevyžadují žádný zásah údržby v aktuálním plánovacím cyklu.

Třída 2 – Dobrý. Povrchy třídy 2 vykazují drobné známky opotřebení, ale zůstávají konstrukčně zdravé a funkčně dostačující. Mohou být přítomny velmi lehké praskliny, ale jsou úzké (vlasové, užší než 1/8 palce) a nespojené. Nedochází k odštěpování, výraznému odlupování ani k záplatám. Textura povrchu může vykazovat mírnou oxidaci nebo změnu barvy vlivem působení prostředí, ale integrita vozovky je plně zachována. Povrchy třídy 2 jsou vhodné pro běžnou preventivní údržbu, jako je utěsňování trhlin nebo fog sealing, ale nevyžadují konstrukční opravy.

Třída 3 – Uspokojivý. Vozovka třídy 3 je v uspokojivém stavu, což znamená, že jsou přítomny viditelné poruchy, ale povrch zůstává použitelný. Lze pozorovat střední praskání, včetně příčných, podélných nebo blokových trhlin o šířce až přibližně 1/4 palce. Může být patrné lehké odlupování. Záplaty mohou pokrývat malé procento plochy povrchu (typicky pod 10 %). Povrch vykazuje jasné známky stárnutí a působení prostředí, ale ještě nedosáhl stavu, kdy by byla ohrožena nosnost. Povrchy třídy 3 jsou kandidáty na ošetření konzervačními technikami, jako jsou slurry seal, microsurfacing nebo tenké obrusné vrstvy.

Třída 4 – Špatný. Povrchy třídy 4 vykazují výrazné viditelné poškození, které ovlivňuje kvalitu jízdy a funkční výkonnost. Je přítomno střední až silné praskání, včetně aligátorových (únavových) trhlin v kolejích. Šířka trhlin přesahuje 1/4 palce a může být pozorováno odštěpování podél okrajů trhlin. Odlupování je střední až pokročilé, s úbytkem povrchového kameniva. Záplaty mohou pokrývat 10–30 % plochy povrchu. Může být přítomna vyjetá kolej hlubší než 1/2 palce. Vozovka je stále použitelná, ale blíží se konci své funkční životnosti a vyžaduje rehabilitaci, nikoli běžnou údržbu. Silnice třídy 4 jsou kandidáty na konstrukční obrusné vrstvy nebo frézování a pokládku nové vrstvy.

Třída 5 – Velmi špatný (Selhaný). Třída 5 představuje vozovku v nejhorší kategorii stavu. Rozsáhlé silné praskání, včetně pokročilých aligátorových trhlin s propojenými vzory trhlin tvořících uvolněné kusy povrchu. Mohou být přítomny výtluky. Odlupování je pokročilé s výraznou ztrátou kameniva. Záplaty pokrývají více než 30 % povrchu nebo samotné záplaty selhávají. Vyjeté koleje mohou přesahovat 1 palec. Povrch je silně narušen a představuje nevyhovující jízdní plochu, která může představovat bezpečnostní riziko. Vozovky třídy 5 vyžadují rekonstrukci nebo zásadní rehabilitaci.

Tato ordinální škála 1–5 je záměrně hrubší než spojitá škála PCI 0–100 používaná v normě ASTM D6433. Hrubší rozlišení odráží dosažitelnou přesnost automatické vizuální klasifikace a odpovídá typickým rozhodovacím úrovním správy vozovek na úrovni sítě. Organizace si mohou mapovat pět tříd kvality na vlastní spouštěcí úrovně údržby a rehabilitace.

Kvalita jako většinové hlasování kosinového kNN

Třída kvality není přiřazována tradiční klasifikační neuronovou sítí s vrstvou softmax. Místo toho se vypočítává pomocí většinového hlasování kosinových k-nejbližších sousedů (kNN) v prostoru embeddingů jemně doladěného vision transformeru DINOv3. Tento přístup se zásadně liší od end-to-end klasifikace a nabízí výrazné výhody v interpretovatelnosti, robustnosti a schopnosti detekovat povrchy mimo distribuci.

Proces probíhá následovně. Každá dlaždice obrazu vozovky je zpracována základním modelem Vision Transformer (ViT) založeným na DINOv3. DINOv3 je třetí generace modelu samostudujícího učení Meta AI pro počítačové vidění, trénovaný na více než 1,7 miliardách obrazů s až 7 miliardami parametrů. Produkuje husté vizuální reprezentace prvků, které zachycují jak lokální texturní informace (zrno povrchu, vzory prasklin, obnažení kameniva), tak globální strukturální kontext (rozestupy spár, geometrie jízdních pruhů, celková jednotnost povrchu). Výstupem ViT je 768-rozměrný embeddingový vektor, který slouží jako kompaktní numerický otisk vizuálního obsahu dlaždice.

Tento embeddingový vektor je poté porovnán s kurátorsky vybranou referenční sadou – sbírkou embeddingů dlaždic vozovek, pro které byly expertními lidskými hodnotiteli stanoveny skutečné třídy kvality. Metrikou porovnání je kosinová podobnost, definovaná jako:

cosine_similarity(A, B) = (A · B) / (||A|| × ||B||)

kde A a B jsou dva embeddingové vektory. Kosinová podobnost se pohybuje od -1 (dokonale opačný) přes 0 (ortogonální, nekorelovaný) do +1 (stejný směr). U normalizovaných embeddingů je kosinová podobnost ekvivalentní skalárnímu součinu. V praxi mají embeddingy dlaždic vozovek tendenci být kladně hodnotové a dobře shlukované podle třídy kvality, takže hodnoty kosinové podobnosti mezi dlaždicemi stejné třídy obvykle spadají mezi 0,85 a 0,99, zatímco mezitřídní podobnosti jsou nižší.

Systém identifikuje k nejbližších sousedů (v euklidovské implementaci kNN, ale s kosinovou podobností jako metrikou vzdálenosti, tedy efektivně k nejpodobnějších referenčních embeddingů). TarmacView používá k = 5 jako výchozí velikost okolí. Každý z pěti nejbližších sousedů hlasuje pro svou skutečnou třídu kvality. Třída, která získá většinu hlasů (modus), je přiřazena vstupní dlaždici. V případě nerozhodného výsledku (např. dva sousedé hlasují pro třídu 2, dva pro třídu 3 a jeden pro třídu 4) rozhoduje vážené hlasování založené na velikosti kosinové podobnosti, přičemž sousedé s vyšší podobností získávají úměrně větší váhu.

Použití kosinového kNN namísto trénované klasifikační hlavy přináší několik výhod. Zaprvé, systém může přirozeně zpracovávat multi-modální distribuce tříd – povrch, který vizuálně připomíná jak referenční dlaždice třídy 3, tak třídy 4, obdrží třídu odrážející tuto nejednoznačnost, namísto aby byl nuceně zařazen do jediné lineární rozhodovací hranice. Zadruhé, referenční sadu lze postupně aktualizovat bez přetrénování základního modelu: nové referenční dlaždice s expertně přiřazenými třídami se jednoduše přidají do databáze embeddingů. Zatřetí, pokud vstupní dlaždice vykazuje nízkou kosinovou podobnost se všemi referenčními embeddingy (pod prahovou hodnotou, např. 0,6), systém ji označí jako mimo distribuci, což indikuje typ povrchu nebo stav, který není v referenční sadě dobře zastoupen.

Přesnost modelu

Model tříd kvality dosahuje naměřené přesnosti přesné shody přibližně 0,666 (66,6 %). To znamená, že pro libovolnou dlaždici vozovky model přiřadí přesně správnou třídu kvality přibližně ve dvou třetinách případů. I když se 66,6 % může na první pohled zdát skromné, ordinální povaha škály znamená, že i nepřesná predikce je jen zřídka katastrofálně chybná – dlaždice třídy 2 předpovězená jako třída 3 je mnohem méně závažná než záměna „prospěl" za „neprospěl" u binárního klasifikátoru.

Operačně smysluplnější metrikou je přesnost s odchylkou o jednu třídu, která dosahuje 0,999 (99,9 %). Přesnost s odchylkou o jednu třídu měří podíl predikcí, které jsou v rozmezí jedné třídy od skutečného stavu. Hodnota 0,999 znamená, že prakticky každá dlaždice je klasifikována buď správně, nebo o jednu třídu vedle. Predikce odchýlené o dvě nebo více tříd se vyskytují s frekvencí přibližně 0,1 % – zhruba jedna z každého tisíce dlaždic. Tato úroveň výkonnosti je výjimečná pro ordinální klasifikační úlohu s pěti třídami a odráží jak kvalitu embeddingů DINOv3, tak pečlivou kurátorskou práci na referenční sadě.

Střední absolutní chyba (MAE) modelu je přibližně 0,34 na škále 1–5. MAE se vypočítá jako průměr |predikovaná_třída - skutečná_třída| přes všechny dlaždice. MAE 0,34 znamená, že průměrná chyba predikce je menší než polovina třídy. V praxi platí, že úsek silnice složený ze 100 dlaždic se skutečnou mediánovou kvalitou 2,5 by obdržel predikovanou mediánovou kvalitu mezi přibližně 2,2 a 2,8 – což je v rámci přijatelné tolerance pro rozhodování o správě vozovek na úrovni sítě.

Tyto metriky přesnosti jsou validovány pomocí křížové validace (typicky 5-násobné) na referenční sadě, což zajišťuje, že výkonnost není přeučena na konkrétní dělení trénovacích/testovacích dat. Samotná referenční sada je hodnocena více expertními hodnotiteli a shoda mezi hodnotiteli (Cohenovo Kappa) je měřena pro stanovení horní hranice dosažitelné výkonnosti modelu – pokud se lidskí experti neshodnou na třídě dlaždice v průměru o 0,4, pak model s MAE 0,34 lze považovat za výkonnostně na úrovni nebo blízko lidského stropu.

Chybová matice modelu tříd kvality ukazuje, že většina chyb se vyskytuje mezi sousedními třídami (třída 1↔třída 2, třída 2↔třída 3, třída 3↔třída 4, třída 4↔třída 5). Chyby, které přeskakují jednu třídu (třída 1↔třída 3, třída 2↔třída 4, třída 3↔třída 5), jsou extrémně vzácné. Diagonálně dominantní chybové matice tohoto typu jsou charakteristické pro dobře natrénované ordinální klasifikátory a potvrzují, že prostor embeddingů zachycuje smysluplné kontinuum kvality, nikoli arbitrární kategorizaci.

Nezávislost kvality na typu povrchu

Kritickou vlastností systému tříd kvality je jeho nezávislost na typu povrchu. Třída kvality popisuje stav povrchu vozovky bez ohledu na to, zda se jedná o asfaltový (flexibilní) vozovku, betonovou (tuhou) vozovku, kompozitní vozovku nebo povrchovou úpravu, jako je chip seal či microsurfacing. Této nezávislosti je dosaženo díky návrhu trénovacího procesu embeddingů DINOv3 a složení referenční sady.

Základní model DINOv3 je předtrénován na 1,7 miliardách různorodých obrazů pomocí cílů samostudujícího učení (samo-destilace bez labelů, modelování maskovaných obrazů a kontrastivní učení). Tento masivní předtréninkový korpus zahrnuje obrazy mnoha různých typů povrchů, textur a materiálů. Model se učí zaměřovat na rysy relevantní pro stav (praskliny, odlupování, záplaty, ztráta textury), zatímco je invariantní vůči rysům specifickým pro typ povrchu (barevný rozdíl mezi tmavým asfaltem a světlým betonem, vzor rozestupů spár u betonu versus bezespárový povrch asfaltu).

Během jemného doladění pomocí supervised contrastive learning trénovací proces explicitně vynucuje, aby dlaždice stejné třídy kvality, ale různých typů povrchu, byly mapovány do blízkých pozic v prostoru embeddingů. Ztrátová funkce supervised contrastive learning přitahuje k sobě embeddingy dlaždic, které sdílejí stejný label kvality („anchor-positive" páry), a odtlačuje od sebe embeddingy dlaždic s různými labely. Když referenční sada obsahuje jak asfaltové dlaždice třídy 3, tak betonové dlaždice třídy 3, trénovací proces se naučí kódovat společné vizuální rysy degradace třídy 3 (střední praskání, určité odlupování, viditelné stárnutí) a potlačovat vzhled specifický pro daný typ povrchu.

Praktickým důsledkem je, že jeden model tříd kvality lze aplikovat na heterogenní silniční síť. Silniční správa spravující směs asfaltových silnic, betonových dálnic, kompozitních vozovek a seal-coatem ošetřených venkovských silnic nepotřebuje samostatné modely pro každý typ povrchu. Stejný kodér DINOv3 a stejná referenční sada produkují platné třídy kvality pro všechny povrchy.

Validační testování potvrzuje nezávislost na typu povrchu. Když je model trénován na referenční sadě obsahující 80 % asfaltových dlaždic a 20 % betonových dlaždic a poté vyhodnocen na testovací sadě čistě betonových dlaždic, metriky přesnosti (přesná shoda, odchylka o jednu třídu, MAE) se statisticky neliší od metrik na asfaltových dlaždicích. Prostor embeddingů generalizuje napříč materiály bez nutnosti explicitních labelů typu povrchu během inferencí.

Agregace třídy kvality (medián dlaždic silničního úseku)

Jednotlivé dlaždice obrazů vozovek obdrží třídy kvality na úrovni dlaždic, ale provozní rozhodnutí vyžadují třídy na úrovni silničního úseku. TarmacView agreguje třídy kvality jednotlivých dlaždic na úroveň úseku pomocí mediánové statistiky, vypočítané přes všechny dlaždice náležející k silničnímu úseku.

Volba mediánu namísto průměru je záměrná a matematicky odůvodněná. Medián je robustní statistika, která je odolná vůči odlehlým hodnotám. Jediná dlaždice chybně klasifikovaná o dvě třídy (vzácný jev vzhledem k 99,9% přesnosti s odchylkou o jednu třídu) by ovlivnila průměr, ale neposunula by medián. Podobně přechodné povrchové artefakty, jako jsou olejové skvrny, stopy pneumatik, louže vody nebo nečistoty, které způsobí, že dlaždice obdrží anomální třídu, jsou mediánovou agregací odfiltrovány.

Agregační proces probíhá podle následujícího postupu:

1. Silniční úsek (typicky segment o délce 0,1 míle nebo 0,5 míle definovaný referenčním systémem umístění organizace) je snímkován. Snímkovací vozidlo zachycuje překrývající se nebo navazující snímky podél délky úseku.

2. Každý snímek je oříznut na střed a rozdělen na dlaždice – typicky 4 až 12 dlaždic na snímek v závislosti na rozlišení kamery a požadované velikosti dlaždice (běžně 224×224 pixelů, odpovídající vstupní velikosti DINOv3).

3. Každá dlaždice je nezávisle zpracována pipeline třídy kvality (kodér DINOv3 → kosinové kNN → většinové hlasování), čímž vznikne třída kvality na úrovni dlaždice od 1 do 5.

4. Vypočítá se medián všech tříd na úrovni dlaždic v úseku. Pro sudý počet dlaždic se bere nižší ze dvou prostředních hodnot (konzervativní přístup).

5. Třída kvality na úrovni úseku je mediánová hodnota, která může být neceločíselná, pokud se použije interpolace, ale TarmacView obvykle pro rozhodování uvádí celočíselné dno nebo modální kategorii.

Počet dlaždic na úsek závisí na konfiguraci snímkování. Při typické rychlosti snímkování 10 snímků za sekundu při dálniční rychlosti produkuje 0,5mílový úsek 200–400 dlaždic (při 4 dlaždicích na snímek a 10–15 snímcích na 0,1 míle). Medián 200–400 nezávislých tříd poskytuje vysokou statistickou spolehlivost. Směrodatná chyba mediánu klesá s druhou odmocninou počtu dlaždic, takže delší úseky (více dlaždic) poskytují stabilnější třídy.

Spolehlivostní metriku lze uvést společně s agregovanou třídou. Mezikvartilové rozpětí (IQR) tříd na úrovni dlaždic v rámci úseku indikuje jednotnost stavu povrchu. Úsek s mediánovou třídou 2 a IQR 0 (všechny dlaždice třída 2) je jednotně dobrý. Úsek s mediánovou třídou 2 a IQR 2 (dlaždice se pohybují od třídy 1 do třídy 3) indikuje heterogenní stav s lokalizovanými vadami, které by samotný medián maskoval.

Třída kvality v hodnocení stavu

Třída kvality slouží jako primární vstup pro celkové hodnocení stavu vozovky v TarmacView. Hodnocení stavu transformuje surové třídy kvality na akční inženýrskou a finanční podporu rozhodování.

Na nejzákladnější úrovni je stav silnice vyjádřen jako její mediánová třída kvality. Organizace stanovují spouštěcí prahy, které určují, kdy silniční úsek přechází z jedné kategorie správy do druhé:

Tyto spouštěče nejsou pevně dané – organizace je kalibrují podle svých rozpočtových cyklů, výkonnostních cílů a rizikové tolerance. Dobře financovaná organizace může spouštět rehabilitaci již u třídy 3 s cílem udržet celou síť ve výborném/dobrém stavu. Organizace s omezeným rozpočtem může rehabilitaci odložit až na třídu 4 a akceptovat vyšší podíl silnic v uspokojivém stavu.

Hodnocení stavu také vypočítává procento sítě v každé kategorii třídy. Tyto statistiky na úrovni sítě poskytují ukazatel celkového zdraví. Například síť s 60 % jízdních mil ve třídě 1–2, 25 % ve třídě 3 a 15 % ve třídě 4–5 je zdravá síť s zvládnutelným zpožděním údržby. Síť se 40 % ve třídě 4–5 signalizuje významný problém s odloženou údržbou.

Meziroční přechod třídy (změna třídy kvality z předchozího průzkumného cyklu na aktuální) je mírou rychlosti degradace vozovky. Úseky, které mezi průzkumnými cykly klesnou o jednu nebo více tříd, jsou označeny k prioritnímu prošetření, protože mohou degradovat rychleji než průměr sítě.

Zprávy o hodnocení stavu vytvořené TarmacView kombinují třídy kvality s dalšími datovými toky – typem povrchu, intenzitou dopravy (AADT), funkční třídou (arteriální, sběrná, místní) a klimatickou zónou – za účelem vytvoření rizikově vážených skóre stavu. Silnice třídy 4 s AADT 50 000 obdrží vyšší prioritní skóre než silnice třídy 4 s AADT 200, protože poruchy na silnici s vysokým provozem ovlivňují více uživatelů a přinášejí vyšší náklady na zpoždění uživatelů.

Třída kvality v silničním průzkumu

Silniční průzkumy jsou systematické inspekce sítí vozovek prováděné v pevných cyklech (ročně, dvouletě nebo tříletě v závislosti na zdrojích organizace a velikosti sítě). Třída kvality transformuje proces silničního průzkumu z manuální, subjektivní, pracně náročné činnosti na plně automatizovanou, objektivní, škálovatelnou operaci sběru dat.

Při tradičním vizuálním silničním průzkumu projíždějí vyškolení hodnotitelé síť rychlostí 15–25 mph, vizuálně posuzují každý úsek a zaznamenávají typy poruch, úrovně závažnosti a rozsah. Tento proces je pomalý, nákladný a podléhá variabilitě mezi hodnotiteli. I při přísných tréninkových a certifikačních programech mohou dva hodnotitelé posuzující stejný úsek přiřadit různá hodnocení. Praktická příručka FHWA pro řízení kvality dat o stavu vozovek dokumentuje, že reprodukovatelnost mezi hodnotiteli je jedním z nejnáročnějších aspektů manuálních průzkumů.

Automatizovaný silniční průzkum TarmacView nahrazuje manuální vizuální hodnocení pipeline třídy kvality. Průzkumné vozidlo projíždí síť běžnou dopravní rychlostí (55–70 mph na dálnicích) a pořizuje vysoce rozlišené snímky rychlostí 10–30 snímků za sekundu. Snímky jsou po průzkumu zpracovány pipeline třídy kvality. Síť o délce 1 000 mil, která by vyžadovala 40–60 hodin manuálního průzkumu (při 15–25 mph), může být zmapována za méně než 20 hodin dálniční rychlostí, bez jakéhokoli lidského hodnocení.

Automatizovaný průzkum produkuje třídy kvality, které jsou objektivně opakovatelné. Stejný úsek zmapovaný ve dvou různých dnech, dvěma různými vozidly, dvěma různými rychlostmi obdrží stejnou třídu kvality (za předpokladu stabilního stavu povrchu). Tato opakovatelnost je zásadním zlepšením oproti manuálním průzkumům, kde únava hodnotitele, kolísání pozornosti a subjektivní úsudek vnášejí do měření šum.

Data ze silničních průzkumů jsou přímo vkládána do systémů správy vozovek (PMS). Většina softwaru PMS očekává data o stavu v určitém formátu – typicky skóre indexu stavu a/nebo sadu měření poruch. Třídy kvality TarmacView jsou exportovány ve formátech kompatibilních s AASHTOWare, dTIMS a dalšími hlavními platformami PMS. Integrace umožňuje organizacím používat třídy kvality jako vstup stavu pro modelování výkonnosti, analýzu nákladů životního cyklu a prioritizaci projektů.

Průzkum také detekuje problémy – lokalizované vady, které si zaslouží pozornost před dalším plánovaným průzkumným cyklem. Když je v úseku s mediánovou třídou 2 detekována dlaždice s třídou kvality 4 nebo 5, systém označí toto místo jako horké místo. Zprávy o průzkumu zahrnují jak agregovanou třídu na úrovni úseku, tak přesné GPS souřadnice jednotlivých problémových dlaždic, což umožňuje cílené terénní inspekce a rychlé opravy.

Stabilita třídy kvality

Pro jakýkoli měřicí systém používaný pro longitudinální (meziroční) správu vozovek je nezbytná stabilita – vlastnost produkovat konzistentní výsledky za různých, ale nepodstatných podmínek. Systém tříd kvality je navržen tak, aby byl stabilní ve třech dimenzích variability: časové, osvětlovací a kamerové.

Časová stabilita se vztahuje ke konzistenci tříd kvality, když je stejný silniční úsek zmapován v různých časech. Úsek, který se fyzicky nezhoršil, by měl obdržet stejnou třídu v průzkumu 1 (měsíc 0) a průzkumu 2 (měsíc 12). Časová stabilita je validována prostřednictvím opakovaných průjezdů průzkumu provedených ve stejný den i v různé dny. Výsledky testů ukazují, že 95 % úseků obdrží identické mediánové třídy kvality při opakovaných průjezdech v rámci stejného průzkumného cyklu. Zbývajících 5 % vykazuje odchylku nejvýše o jednu třídu, typicky přičitatelnou přechodným podmínkám povrchu (voda, nečistoty, stíny) spíše než nestabilitě modelu.

Osvětlovací stabilita řeší variabilitu světelných podmínek napříč průzkumnými průjezdy. Povrchy vozovek snímané na přímém slunci, při zatažené obloze, za svítání, za soumraku a ve stínu mohou vypadat vizuálně odlišně, i když fyzický stav je identický. Prostor embeddingů DINOv3 je trénován s rozsáhlými datovými augmentacemi zahrnujícími náhodné úpravy jasu, kontrastu, sytosti a odstínu. Tato augmentace zajišťuje, že model při určování kvality nespoléhá na světelné podněty. Klasifikátor kosinového kNN dále přispívá ke stabilitě osvětlení, protože metrika kosinové podobnosti je invariantní vůči velikosti vektoru – ztmavený obraz vytváří embedding s menší velikostí, ale stejným směrem, takže jeho podobnost s referenčními embeddingy je z velké části neovlivněna.

Testování potvrzuje stabilitu osvětlení. Když je 500 kontrolních úseků snímkováno za tří světelných podmínek (jasné slunce, silná oblačnost a svítání/soumrak), mediánové třídy kvality na úsek vykazují Fleissovo Kappa 0,91 napříč podmínkami, což indikuje téměř dokonalou shodu. Úseky snímané za neideálních světelných podmínek (noc, silné stíny od silničních konstrukcí) jsou označeny a vyloučeny z výstupu průzkumu.

Kamerová stabilita řeší variabilitu ve snímacím hardwaru. Průzkumy prováděné různými kamerami (různá velikost senzoru, ohnisková vzdálenost objektivu, rozlišení nebo barevné profily) produkují třídy kvality konzistentní v rozmezí 0,15 MAE. Toho je dosaženo standardizací pipeline zpracování obrazu: všechny surové snímky jsou převedeny do společného barevného prostoru (sRGB s bílým bodem D65), změněny na pevné rozlišení (typicky 1920×1080 nebo 2048×1536 pixelů) a před dlaždicováním oříznuty na střed s konzistentním zorným polem. Model embeddingů vidí pouze standardizované dlaždice, nikoli surový výstup kamery.

Kamerová stabilita je důležitá pro organizace, které používají více průzkumných vozidel nebo které mezi průzkumnými cykly modernizují kamerový hardware. Systém tříd kvality udržuje konzistentní měřicí základnu i při změnách snímacího hardwaru.

Třída kvality vs. PCI a další indexy

Škála tříd kvality (ordinální 1–5) existuje souběžně se zavedenými indexy stavu vozovek, ale zaujímá v ekosystému správy vozovek jinou roli. Pochopení vztahu mezi třídou kvality a těmito dalšími indexy je nezbytné pro organizace integrující TarmacView do stávajících pracovních postupů.

Index stavu vozovky (PCI) je definován normou ASTM D6433 a je spojitým indexem od 0 do 100. PCI se vypočítává provedením podrobného průzkumu poruch: identifikací všech přítomných typů poruch (pro asfalt existuje 19 typů poruch, pro beton 15), měřením závažnosti každé z nich (nízká, střední, vysoká) a kvantifikací rozsahu (jako procento plochy nebo lineární délky). Výpočet PCI aplikuje odečítané hodnoty specifikované normou, odečte celkové odečty od 100 a dospěje ke skóre PCI. PCI je nejpoužívanějším indexem stavu vozovek v Severní Americe a je vyžadován mnoha státními dopravními úřady (DOT).

Třída kvality koreluje s PCI, ale nemapuje se na něj lineárně. Třída kvality 1 obecně odpovídá PCI 86–100 (Výborný). Třída 2 mapuje zhruba na PCI 56–85 (Dobrý až Uspokojivý). Třída 3 mapuje na PCI 26–55 (Dostatečný až Špatný). Třída 4 mapuje na PCI 11–40 (Špatný až Velmi špatný). Třída 5 mapuje na PCI 0–25 (Velmi špatný až Selhaný). Nicméně mapování má rozptyl – úsek s rozsáhlým, ale málo závažným praskáním (PCI ~45) by mohl obdržet třídu kvality 3, zatímco úsek s jediným závažným výtlukem, ale jinak zdravým povrchem (PCI ~50), by také mohl obdržet třídu kvality 3. Třída kvality je holistické vizuální hodnocení, nikoli výpočet založený na inženýrství poruch.

Hodnocení provozuschopnosti vozovky (PSR) a Index současné provozuschopnosti (PSI) jsou starší míry pocházející z silniční zkoušky AASHO (1958–1960). PSR je subjektivní hodnocení 0–5 přiřazované panelem hodnotitelů jedoucích po vozovce. PSI je vypočítávaný index z měření nerovnosti, praskání, záplat a vyjetých kolejí. Třída kvality se liší od PSR/PSI tím, že je čistě vizuální (není založena na kvalitě jízdy nebo nerovnosti) a je plně automatizovaná (nevyžaduje lidský panel).

Mezinárodní index nerovnosti (IRI) měří podélnou profilovou nerovnost v palcích na míli (nebo metrech na kilometr). IRI je funkční mírou kvality jízdy. Třída kvality je strukturální/vizuální mírou stavu povrchu. Tyto dvě veličiny jsou komplementární, nikoli zaměnitelné: vozovka se závažným únavovým praskáním, ale nízkým IRI (hladká, ale popraskaná) by měla špatnou třídu kvality, ale přijatelné IRI, zatímco vozovka s mrazovými zdvihy, ale neporušeným povrchem by měla dobrou třídu kvality, ale špatné IRI. Organizace by měly sbírat jak IRI, tak třídu kvality pro kompletní obraz stavu.

Index kvality vozovky (PQI) je složený index kombinující IRI, vyjeté koleje a povrchové poruchy do jediného skóre. PQI je některými organizacemi používán jako zjednodušená alternativa k PCI. Třída kvality může sloužit jako složka povrchových poruch ve vzorci PQI a nahradit manuální průzkumy poruch automatizovanou třídou kvality.

Organizace mohou také vypočítat proxy PCI z třídy kvality. Trénováním regresního modelu, který mapuje třídu kvality (plus pomocné rysy, jako je typ povrchu a stáří) na hodnoty PCI naměřené na stejných úsecích, mohou organizace generovat výstupy stavu kompatibilní s PCI z automatizované pipeline třídy kvality. Proxy PCI má nižší rozlišení než plný manuální průzkum PCI (7 kategorií PCI oproti 100 diskrétním hodnotám), ale je dostačující pro plánování na úrovni sítě a vyhýbá se nákladům na manuální průzkumy.

Třída kvality ve zprávách

Poslední fází pipeline třídy kvality je vytváření zpráv, které komunikují stav vozovky zainteresovaným stranám: vedení organizace, inženýrům, plánovačům údržby, voleným zástupcům a veřejnosti. Data o třídách kvality jsou prezentována na více úrovních agregace.

Dashboardy na úrovni sítě zobrazují distribuci jízdních mil podle třídy kvality napříč celou sítí organizace. Koláčový graf nebo skládaný pruhový graf ukazuje procento sítě v každé třídě. Trendové linie ukazují, jak se distribuce měnila v průběhu po sobě jdoucích průzkumných cyklů. Metrika „procento dobrých" (procento jízdních mil ve třídě 1–2) je běžným klíčovým ukazatelem výkonnosti (KPI) cíleným strategickými plány organizace. Dashboard také zobrazuje zpoždění odložené údržby – odhadované náklady na uvedení všech úseků třídy 4–5 alespoň do třídy 3.

Zprávy na úrovni úseků uvádějí každý silniční úsek v síti s jeho mediánovou třídou kvality, počtem zmapovaných dlaždic, IQR (jednotnost stavu), meziroční změnou třídy a doporučenou akcí na základě spouštěcích prahů organizace. Úseky jsou typicky seřazeny podle priority (nejprve nejhorší třída nebo nejvyšší rizikové skóre). Tyto zprávy jsou primárními pracovními dokumenty pro rozvoj programu údržby.

Mapy lokalizace problémů překrývají data tříd kvality na mapě geografického informačního systému (GIS). Každá silnice je barevně odlišena podle své mediánové třídy kvality (např. zelená = třída 1, žlutá = třída 2, oranžová = třída 3, červená = třída 4, tmavě červená = třída 5). Horká místa (jednotlivé dlaždice třídy 5 v lepších úsecích) jsou označena bodovými symboly. Mapa umožňuje rychlou vizuální identifikaci stavu sítě a umístění nejhorších úseků.

Vstupy do plánu správy aktiv formátují data tříd kvality pro integraci s analýzou nákladů životního cyklu (LCCA) a modely dlouhodobého plánování. Třída slouží jako výchozí stav pro modely predikce výkonnosti, které předpovídají budoucí stav při různých rozpočtových scénářích. Modely používají křivky degradace kalibrované na škálu tříd kvality: úsek začínající na třídě 1 se zhorší na třídu 2 po N letech, na třídu 3 po M letech atd., přičemž doby přechodu závisí na typu povrchu, dopravě, klimatu a historii údržby.

Výkonné souhrny poskytují syntézu na vysoké úrovni pro netechnické rozhodovatele. Typický výkonný souhrn uvádí průměrnou třídu kvality sítě, procento sítě v dobrém/uspokojivém/špatném stavu, změnu oproti předchozímu průzkumu a rozdíl ve financování potřebný k dosažení cílového stavu.

Vytváření zpráv o třídě kvality se řídí principy řízení kvality dat uvedenými v praktické příručce FHWA. Zprávy zahrnují metadata o průzkumu: data průzkumu, počet shromážděných dlaždic, úplnost dat (procento sítě úspěšně zmapované), kontrolní příznaky kvality (úseky, kde osvětlení nebo kamerové problémy ovlivnily data) a intervaly spolehlivosti pro třídy na úrovni úseků. Tato transparentnost umožňuje organizacím posoudit spolehlivost uváděných tříd a činit informovaná rozhodnutí.