Klasyfikacja Jakości Nawierzchni (Skala 1–5) dla Oceny Stanu Dróg

Definicje Skali Jakości 1–5

System klas jakości TarmacView odwzorowuje wizualny stan nawierzchni drogowej na skalę porządkową od 1 do 5, gdzie 1 oznacza nawierzchnię Znakomitą, a 5 — Bardzo Złą. Ta pięciopoziomowa klasyfikacja opiera się na zasadzie uporządkowanych ocen kategorycznych znanych z ugruntowanej praktyki zarządzania nawierzchniami, jest jednak specjalnie skalibrowana do wyników przestrzeni embeddingów wizji komputerowej, a nie do manualnego protokołu opartego na uszkodzeniach.

Pięć klas jakości zdefiniowano następująco:

Klasa 1 — Znakomita (Bardzo Dobra). Nawierzchnia w stanie klasy 1 nie wykazuje żadnych widocznych wad. Tekstura powierzchni jest jednolita, kolor spójny, nie ma śladów pęknięć, wykruszeń, dziur, łat, wybłyszczeń ani żadnej innej formy deterioracji powierzchni. Powierzchnia wygląda jak nowo wybudowana lub niedawno zmodernizowana droga. Spoiny (jeśli występują) są szczelne i dobrze uszczelnione. W praktyce klasa 1 stanowi idealny stan referencyjny, względem którego mierzone są wszystkie pozostałe klasy. Odcinki dróg o medianie jakości 1 nie wymagają interwencji utrzymaniowej w bieżącym cyklu planowania.

Klasa 2 — Dobra. Nawierzchnie klasy 2 wykazują niewielkie oznaki zużycia, ale pozostają strukturalnie zdrowe i funkcjonalnie wystarczające. Mogą występować bardzo lekkie pęknięcia, ale są one wąskie (włoskowate, poniżej 1/8 cala szerokości) i nierozwinięte. Nie ma wykruszeń, znaczącego ubytku kruszywa ani łat. Tekstura powierzchni może wykazywać lekkie utlenienie lub zmianę koloru spowodowaną oddziaływaniem środowiska, ale integralność nawierzchni jest w pełni zachowana. Nawierzchnie klasy 2 nadają się do rutynowego utrzymania prewencyjnego, takiego jak uszczelnianie pęknięć lub powłoki mgłowe, ale nie wymagają napraw strukturalnych.

Klasa 3 — Dostateczna. Nawierzchnia klasy 3 jest w stanie dostatecznym, co oznacza, że widoczne są uszkodzenia, ale powierzchnia pozostaje zdatna do użytku. Można zaobserwować umiarkowane pękanie, w tym pęknięcia poprzeczne, podłużne lub siatkowe o szerokości do około 1/4 cala. Widoczne mogą być lekkie wykruszenia. Łaty mogą pokrywać niewielki procent powierzchni (zazwyczaj poniżej 10%). Powierzchnia wykazuje wyraźne oznaki starzenia i oddziaływania środowiska, ale nie osiągnęła jeszcze stanu, w którym nośność konstrukcji jest zagrożona. Nawierzchnie klasy 3 są kandydatami do zabiegów konserwacyjnych, takich jak uszczelnienia zawiesinowe, mikrodywaniki lub cienkie nakładki.

Klasa 4 — Zła. Nawierzchnie klasy 4 wykazują znaczne widoczne uszkodzenia wpływające na komfort jazdy i parametry funkcjonalne. Występuje umiarkowane do znacznego pękanie, w tym pęknięcia zmęczeniowe (siatka) w śladach kół. Szerokość pęknięć przekracza 1/4 cala, można zaobserwować wykruszenia wzdłuż krawędzi pęknięć. Ubytek kruszywa jest umiarkowany do zaawansowanego, z utratą powierzchniowego kruszywa. Łaty mogą pokrywać 10–30% powierzchni. Mogą występować koleiny głębsze niż 1/2 cala. Nawierzchnia jest nadal zdatna do użytku, ale zbliża się do końca swojej żywotności i wymaga rehabilitacji, a nie rutynowego utrzymania. Drogi klasy 4 są kandydatami do nakładek konstrukcyjnych lub frezowania i wymiany.

Klasa 5 — Bardzo Zła (Niesprawna). Klasa 5 oznacza nawierzchnię w najgorszym stanie. Rozległe poważne pękanie, w tym zaawansowane pęknięcia zmęczeniowe z połączonymi wzorami pęknięć tworzącymi luźne fragmenty powierzchni. Mogą występować dziury. Ubytek kruszywa jest zaawansowany, ze znaczną utratą kruszywa. Łaty pokrywają ponad 30% powierzchni lub same ulegają zniszczeniu. Koleiny mogą przekraczać 1 cal. Powierzchnia jest poważnie uszkodzona i stanowi nienormatywną nawierzchnię, która może stwarzać zagrożenie dla bezpieczeństwa. Nawierzchnie klasy 5 wymagają odbudowy lub generalnego remontu.

Ta porządkowa skala 1–5 jest celowo mniej szczegółowa niż ciągła skala PCI 0–100 stosowana w normie ASTM D6433. Niższa granularność odzwierciedla osiągalną precyzję automatycznej klasyfikacji wizualnej i jest zgodna z typowymi poziomami decyzyjnymi w zarządzaniu siecią drogową. Agencje mogą odwzorowywać pięć klas jakości na własne progi uruchamiające działania utrzymaniowe i rehabilitacyjne.

Jakość jako Głosowanie Większościowe Cosine kNN

Klasa jakości nie jest przypisywana przez tradycyjną sieć neuronową klasyfikacyjną z warstwą wyjściową softmax. Zamiast tego jest obliczana poprzez większościowe głosowanie cosine k-najbliższych-sąsiadów (kNN) działające w przestrzeni embeddingów dopracowanego transformera wizyjnego DINOv3. To podejście zasadniczo różni się od klasyfikacji typu end-to-end i oferuje wyraźne zalety w zakresie interpretowalności, odporności oraz zdolności do wykrywania powierzchni spoza rozkładu.

Proces przebiega następująco. Każde zdjęcie fragmentu nawierzchni jest przetwarzane przez szkielet Transformer Wizyjny (ViT) oparty na DINOv3. DINOv3 to trzeci model Meta AI do samonadzorowanego uczenia w wizji komputerowej, wytrenowany na ponad 1,7 miliarda obrazów z maksymalnie 7 miliardami parametrów. Generuje on gęste reprezentacje cech wizualnych, które wychwytują zarówno lokalną informację teksturową (ziarno powierzchni, wzory pęknięć, ekspozycję kruszywa), jak i globalny kontekst strukturalny (rozstaw spoin, geometrię pasa, ogólną jednolitość powierzchni). Wynikiem działania ViT jest 768-wymiarowy wektor embeddingu, który służy jako zwarty numeryczny odcisk palca zawartości wizualnej zdjęcia.

Ten wektor embeddingu jest następnie porównywany z wyselekcjonowanym zestawem referencyjnym — kolekcją embeddingów zdjęć nawierzchni, dla których eksperci ludzcy ustalili rzeczywiste klasy jakości. Metryką porównawczą jest podobieństwo cosinusowe, zdefiniowane jako:

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

gdzie A i B to dwa wektory embeddingu. Podobieństwo cosinusowe przyjmuje wartości od -1 (całkowicie przeciwne) przez 0 (ortogonalne, nieskorelowane) do +1 (identyczny kierunek). Dla znormalizowanych embeddingów podobieństwo cosinusowe jest równoważne iloczynowi skalarnemu. W praktyce embeddingi zdjęć nawierzchni mają zazwyczaj wartości dodatnie i są dobrze zgrupowane według klas jakości, więc wartości podobieństwa cosinusowego między zdjęciami tej samej klasy zwykle mieszczą się w przedziale 0,85–0,99, podczas gdy podobieństwa międzyklasowe są niższe.

System identyfikuje k najbliższych sąsiadów (w euklidesowej implementacji kNN, ale z podobieństwem cosinusowym jako metryką odległości, skutecznie są to k najbardziej podobnych embeddingów referencyjnych). TarmacView używa k = 5 jako domyślnego rozmiaru sąsiedztwa. Każdy z pięciu najbliższych sąsiadów oddaje głos na swoją rzeczywistą klasę jakości. Klasa otrzymująca większość głosów (moda) jest przypisywana do wejściowego zdjęcia. W przypadku remisu (np. dwóch sąsiadów głosuje na klasę 2, dwóch na klasę 3, a jeden na klasę 4), ważony schemat głosowania oparty na wielkości podobieństwa cosinusowego rozstrzyga remis, przy czym sąsiedzi o wyższym podobieństwie otrzymują proporcjonalnie większą wagę.

Zastosowanie cosine kNN zamiast wytrenowanego klasyfikatora zapewnia kilka korzyści. Po pierwsze, system może naturalnie obsługiwać multimodalne rozkłady klas — powierzchnia, która wizualnie przypomina zarówno referencyjne zdjęcia klasy 3, jak i 4, otrzyma klasę odzwierciedlającą tę niejednoznaczność, zamiast być sztucznie wtłoczona w pojedynczą liniową granicę decyzyjną. Po drugie, zestaw referencyjny może być stopniowo aktualizowany bez ponownego uczenia szkieletu wizyjnego: nowe referencyjne zdjęcia z ocenami ekspertów są po prostu dodawane do bazy embeddingów. Po trzecie, jeśli wejściowe zdjęcie generuje niskie podobieństwo cosinusowe do wszystkich embeddingów referencyjnych (poniżej progu, np. 0,6), system oznacza je jako spoza rozkładu, wskazując na typ nawierzchni lub stan słabo reprezentowany w zestawie referencyjnym.

Dokładność Modelu

Model klasy jakości osiąga zmierzoną dokładność dokładnego dopasowania na poziomie około 0,666 (66,6%). Oznacza to, że dla dowolnego zdjęcia nawierzchni model przypisuje dokładnie poprawną klasę jakości w około dwóch trzecich przypadków. Choć 66,6% może na pierwszy rzut oka wydawać się skromnym wynikiem, porządkowy charakter skali sprawia, że nawet niedokładna prognoza rzadko jest katastrofalnie błędna — zdjęcie klasy 2 przewidziane jako klasa 3 ma znacznie mniejsze konsekwencje niż klasyfikator binarny mylący „zalicza" z „nie zalicza".

Bardziej znaczącą operacyjnie metryką jest dokładność z błędem o jeden stopień, która osiąga 0,999 (99,9%). Dokładność z błędem o jeden stopień mierzy odsetek prognoz mieszczących się w granicach jednego poziomu klasy od wartości rzeczywistej. Wartość 0,999 oznacza, że praktycznie każde zdjęcie jest klasyfikowane poprawnie lub zaledwie o jeden poziom obok. Prognozy różniące się o dwa lub więcej poziomów klas występują z częstością około 0,1% — mniej więcej raz na tysiąc zdjęć. Ten poziom wydajności jest wyjątkowy jak dla porządkowej 5-klasowej klasyfikacji wizualnej i odzwierciedla zarówno jakość embeddingów DINOv3, jak i staranną selekcję zestawu referencyjnego.

Średni błąd bezwzględny (MAE) modelu wynosi około 0,34 w skali 1–5. MAE oblicza się jako średnią |przewidywana_klasa - rzeczywista_klasa| dla wszystkich zdjęć. MAE na poziomie 0,34 oznacza, że średni błąd prognozy wynosi mniej niż pół poziomu klasy. W praktyce, odcinek drogi składający się ze 100 zdjęć o rzeczywistej medianie jakości 2,5 otrzyma przewidywaną medianę jakości między około 2,2 a 2,8 — dobrze w granicach akceptowalnej tolerancji dla decyzji zarządczych na poziomie sieci.

Te metryki dokładności są walidowane poprzez k-krotną walidację krzyżową (zazwyczaj 5-krotną) względem zestawu referencyjnego, co zapewnia, że wydajność nie jest przetrenowana na konkretny podział treningowo-testowy. Sam zestaw referencyjny jest oceniany przez wielu ekspertów, a zgodność między oceniającymi (Kappa Cohena) jest mierzona w celu ustalenia górnej granicy osiągalnej wydajności modelu — jeśli eksperci ludzcy różnią się w ocenie zdjęcia średnio o 0,4, to model z MAE 0,34 działa prawdopodobnie na poziomie lub blisko poziomu ludzkiego sufitu.

Macierz pomyłek dla modelu klas jakości pokazuje, że większość błędów występuje między sąsiednimi klasami (klasa 1↔klasa 2, klasa 2↔klasa 3, klasa 3↔klasa 4, klasa 4↔klasa 5). Błędy pomijające klasę (klasa 1↔klasa 3, klasa 2↔klasa 4, klasa 3↔klasa 5) są niezwykle rzadkie. Macierze pomyłek z dominującą przekątną tego typu są charakterystyczne dla dobrze wytrenowanych klasyfikatorów porządkowych i potwierdzają, że przestrzeń embeddingów oddaje znaczące kontinuum jakości, a nie arbitralną kategoryzację.

Niezależność Jakości od Typu Nawierzchni

Krytyczną właściwością systemu klas jakości jest jego niezależność od typu nawierzchni. Klasa jakości opisuje stan nawierzchni niezależnie od tego, czy jest to asfalt (nawierzchnia podatna), beton (nawierzchnia sztywna), nawierzchnia kompozytowa, czy zabezpieczenie powierzchniowe, takie jak uszczelnienie grysowe lub mikrodywanik. Niezależność tę osiąga się poprzez konstrukcję procesu uczenia embeddingów DINOv3 oraz skład zestawu referencyjnego.

Szkielet DINOv3 jest wstępnie trenowany na 1,7 miliarda różnorodnych obrazów z wykorzystaniem celów uczenia samonadzorowanego (samodestylacja bez etykiet, modelowanie maskowanych obrazów i uczenie kontrastywne). Ten ogromny korpus przedtreningowy zawiera obrazy wielu różnych typów nawierzchni, tekstur i materiałów. Model uczy się zwracać uwagę na cechy istotne dla stanu (pęknięcia, wykruszenia, łaty, utrata tekstury), będąc jednocześnie niewrażliwym na cechy specyficzne dla typu (różnica koloru między ciemnym asfaltem a jasnym betonem, wzór rozstawu spoin betonowych w porównaniu z bezszwową powierzchnią asfaltu).

Podczas dopracowywania za pomocą nadzorowanego uczenia kontrastywnego, proces treningowy wyraźnie wymusza, aby zdjęcia tej samej klasy jakości, ale różnych typów nawierzchni, były odwzorowywane w pobliskie pozycje w przestrzeni embeddingów. Nadzorowana funkcja straty kontrastywnej przyciąga do siebie embeddingi zdjęć o tej samej etykiecie jakości (pary „kotwica-pozytywna") i odpycha od siebie embeddingi zdjęć o różnych etykietach. Gdy zestaw referencyjny zawiera zarówno asfaltowe zdjęcia klasy 3, jak i betonowe zdjęcia klasy 3, proces treningowy uczy się kodować wspólne cechy wizualne deterioracji klasy 3 (umiarkowane pękanie, pewne wykruszenia, widoczne starzenie), jednocześnie tłumiąc wygląd specyficzny dla typu nawierzchni.

Praktyczną konsekwencją jest to, że pojedynczy model klas jakości może być stosowany w całej heterogenicznej sieci drogowej. Agencja zarządzająca mieszanką dróg asfaltowych, autostrad betonowych, nawierzchni kompozytowych i dróg wiejskich z powłokami uszczelniającymi nie potrzebuje oddzielnych modeli dla każdego typu nawierzchni. Ten sam enkoder DINOv3 i ten sam zestaw referencyjny generują prawidłowe klasy jakości dla wszystkich nawierzchni.

Testy walidacyjne potwierdzają niezależność od typu nawierzchni. Gdy model jest trenowany na zestawie referencyjnym zawierającym 80% zdjęć asfaltowych i 20% zdjęć betonowych, a następnie oceniany na zestawie testowym składającym się wyłącznie ze zdjęć betonowych, metryki dokładności (dokładne dopasowanie, błąd o jeden stopień, MAE) nie różnią się statystycznie od metryk dla zdjęć asfaltowych. Przestrzeń embeddingów generalizuje między materiałami bez konieczności podawania jawnych etykiet typu nawierzchni podczas wnioskowania.

Agregacja Klas Jakości (Mediana dla Odcinków Drogi)

Poszczególne zdjęcia nawierzchni otrzymują indywidualne klasy jakości, ale decyzje operacyjne wymagają ocen na poziomie odcinka drogi. TarmacView agreguje klasy jakości dla poszczególnych zdjęć do poziomu odcinka z zastosowaniem statystyki mediany, obliczonej dla wszystkich zdjęć należących do danego odcinka drogi.

Wybór mediany zamiast średniej jest celowy i uzasadniony matematycznie. Mediana jest statystyką odporną na wartości odstające. Pojedyncze zdjęcie błędnie zaklasyfikowane o dwie klasy (rzadkie zdarzenie przy dokładności z błędem o jeden stopień wynoszącej 0,999) wpłynęłoby na średnią, ale nie przesunęłoby mediany. Podobnie, przejściowe artefakty powierzchniowe, takie jak plamy oleju, ślady opon, kałuże lub zanieczyszczenia powodujące anormalną klasyfikację zdjęcia, są filtrowane przez agregację medianową.

Proces agregacji przebiega według następującego schematu:

1. Odcinek drogi (typowo segment 0,1 mili lub 0,5 mili zdefiniowany przez system referencyjny lokalizacji agencji) jest obrazowany. Pojazd obrazujący rejestruje pokrywające się lub sąsiadujące ze sobą klatki obrazu na długości odcinka.

2. Każda klatka obrazu jest przycinana centralnie i dzielona na zdjęcia — zazwyczaj 4 do 12 zdjęć na klatkę, w zależności od rozdzielczości kamery i pożądanego rozmiaru zdjęcia (najczęściej 224×224 pikseli, zgodnie z rozmiarem wejściowym DINOv3).

3. Każde zdjęcie jest niezależnie przetwarzane przez pipeline klas jakości (enkoder DINOv3 → cosine kNN → głosowanie większościowe), generując klasę jakości dla zdjęcia od 1 do 5.

4. Obliczana jest mediana wszystkich klas dla zdjęć w danym odcinku. Dla parzystej liczby zdjęć przyjmowana jest niższa z dwóch środkowych wartości (podejście konserwatywne).

5. Klasa jakości na poziomie odcinka to wartość mediany, która może być niecałkowita, jeśli stosuje się interpolację, choć TarmacView zazwyczaj raportuje wartość całkowitą (podłogę) lub kategorię modalną dla celów decyzyjnych.

Liczba zdjęć na odcinek zależy od konfiguracji obrazowania. Przy typowym tempie rejestracji 10 klatek na sekundę przy prędkości autostradowej, odcinek 0,5 mili generuje 200–400 zdjęć (zakładając 4 zdjęcia na klatkę i 10–15 klatek na 0,1 mili). Mediana 200–400 niezależnych ocen zapewnia wysoką pewność statystyczną. Błąd standardowy mediany maleje wraz z pierwiastkiem kwadratowym liczby zdjęć, więc dłuższe odcinki (więcej zdjęć) dają bardziej stabilne klasy.

Wskaźnik ufności może być raportowany wraz z zagregowaną klasą. Rozstęp międzykwartylowy (IQR) klas dla zdjęć w danym odcinku wskazuje na jednorodność stanu nawierzchni. Odcinek z medianą klasy 2 i IQR równym 0 (wszystkie zdjęcia klasy 2) jest jednolicie dobry. Odcinek z medianą klasy 2 i IQR równym 2 (zdjęcia w zakresie od klasy 1 do 3) wskazuje na niejednorodny stan zlokalizowanymi defektami, które sama mediana mogłaby zamaskować.

Klasa Jakości w Ocenie Stanu Technicznego

Klasa jakości służy jako podstawowe dane wejściowe do ogólnej oceny stanu nawierzchni TarmacView. Ocena stanu przekształca surowe klasy jakości w użyteczne wsparcie decyzyjne w zakresie inżynierii i finansów.

Na najbardziej podstawowym poziomie stan drogi wyrażany jest jako jej mediana klasy jakości. Agencje ustalają progi uruchamiające, które określają, kiedy odcinek drogi przechodzi z jednej kategorii zarządczej do drugiej:

Te progi nie są stałe — agencje kalibrują je w zależności od cykli budżetowych, celów wydajnościowych i tolerancji ryzyka. Dobrze finansowana agencja może uruchomić rehabilitację już przy klasie 3, dążąc do utrzymania całej sieci w stanie Znakomitym/Dobrym. Agencja z ograniczonym budżetem może odłożyć rehabilitację do klasy 4, akceptując wyższy odsetek dróg w stanie Dostatecznym.

Ocena stanu oblicza również procent sieci w każdej kategorii klas. Ta statystyka na poziomie sieci zapewnia ogólny wskaźnik kondycji. Na przykład sieć, w której 60% mil pasów ruchu to klasy 1–2, 25% to klasa 3, a 15% to klasy 4–5, jest siecią zdrową z możliwym do opanowania zaległym zakresem prac. Sieć z 40% w klasach 4–5 sygnalizuje znaczący problem z zaniedbanym utrzymaniem.

Zmiana klasy rok do roku (zmiana klasy jakości między poprzednim a bieżącym cyklem przeglądowym) jest miarą tempa deterioracji nawierzchni. Odcinki, które pogarszają się o co najmniej jeden poziom klasy między cyklami przeglądowymi, są oznaczane do priorytetowego zbadania, ponieważ mogą ulegać degradacji szybciej niż średnia sieciowa.

Raporty oceny stanu produkowane przez TarmacView łączą klasy jakości z innymi strumieniami danych — typem nawierzchni, natężeniem ruchu (AADT), klasą funkcjonalną (arteria, zbierająca, lokalna) i strefą klimatyczną — w celu uzyskania ważonych ryzykiem wskaźników stanu. Droga klasy 4 z AADT wynoszącym 50 000 otrzymuje wyższy priorytet niż droga klasy 4 z AADT wynoszącym 200, ponieważ uszkodzenia na drodze o dużym natężeniu ruchu dotykają więcej użytkowników i generują wyższe koszty opóźnień użytkowników.

Klasa Jakości w Przeglądzie Dróg

Przeglądy dróg to systematyczne inspekcje sieci drogowych przeprowadzane w stałych cyklach (corocznie, co dwa lata lub co trzy lata, w zależności od zasobów agencji i wielkości sieci). Klasa jakości przekształca proces przeglądu dróg z manualnej, subiektywnej, pracochłonnej czynności w w pełni zautomatyzowaną, obiektywną, skalowalną operację zbierania danych.

W tradycyjnym wizualnym przeglądzie dróg, przeszkoleni oceniający przejeżdżają sieć z prędkością 15–25 mph, wizualnie oceniając każdy odcinek i rejestrując rodzaje uszkodzeń, poziomy zaawansowania i zakres. Proces ten jest powolny, kosztowny i podatny na zmienność między oceniającymi. Nawet przy rygorystycznych programach szkoleń i certyfikacji, dwóch oceniających analizujących ten sam odcinek może przypisać różne oceny. Praktyczny przewodnik FHWA dotyczący zarządzania jakością danych o stanie nawierzchni dokumentuje, że powtarzalność między oceniającymi jest jednym z najbardziej wymagających aspektów przeglądów ręcznych.

Zautomatyzowany przegląd dróg TarmacView zastępuje ręczną ocenę wizualną pipeline’em klas jakości. Pojazd inspekcyjny porusza się po sieci z normalną prędkością ruchu (55–70 mph na autostradach), rejestrując obrazy w wysokiej rozdzielczości z szybkością 10–30 klatek na sekundę. Obrazy są przetwarzane przez pipeline klas jakości po zakończeniu przeglądu. Sieć o długości 1000 mil, która wymagałaby 40–60 godzin ręcznego przeglądu (przy 15–25 mph), może być sprawdzona w mniej niż 20 godzin przy prędkościach autostradowych, bez żadnego wysiłku związanego z ręczną oceną.

Zautomatyzowany przegląd generuje klasy jakości, które są obiektywnie powtarzalne. Ten sam odcinek zbadany w dwóch różnych dniach, dwoma różnymi pojazdami, z dwiema różnymi prędkościami, otrzyma tę samą klasę jakości (przy założeniu stabilnego stanu nawierzchni). Ta powtarzalność jest kluczowym usprawnieniem w stosunku do przeglądów ręcznych, gdzie zmęczenie oceniającego, zmienność uwagi i subiektywny osąd wprowadzają szum pomiarowy.

Dane z przeglądów dróg trafiają bezpośrednio do Systemów Zarządzania Nawierzchnią (PMS). Większość oprogramowania PMS oczekuje danych o stanie w określonym formacie — zazwyczaj wyniku wskaźnika stanu i/lub zestawu pomiarów uszkodzeń. Klasy jakości TarmacView są eksportowane w formatach kompatybilnych z AASHTOWare, dTIMS i innymi głównymi platformami PMS. Integracja umożliwia agencjom wykorzystanie klas jakości jako danych wejściowych o stanie do modelowania wydajności, analizy kosztów cyklu życia i priorytetyzacji projektów.

Przegląd wykrywa również problemy — zlokalizowane defekty wymagające uwagi przed kolejnym planowanym cyklem przeglądowym. Gdy na odcinku z medianą klasy 2 zostanie wykryte zdjęcie z klasą jakości 4 lub 5, system oznacza to miejsce jako gorący punkt. Raporty z przeglądów zawierają zarówno zagregowaną klasę na poziomie odcinka, jak i precyzyjne współrzędne GPS poszczególnych problematycznych zdjęć, umożliwiając ukierunkowane inspekcje terenowe i szybkie naprawy.

Stabilność Klas Jakości

Dla każdego systemu pomiarowego używanego do podłużnego (rok do roku) zarządzania nawierzchnią, stabilność — właściwość polegająca na generowaniu spójnych wyników w zmieniających się, ale niematerialnych warunkach — jest niezbędna. System klas jakości został zaprojektowany tak, aby był stabilny w trzech wymiarach zmienności: czasowym, oświetleniowym i kamery.

Stabilność czasowa odnosi się do spójności klas jakości, gdy ten sam odcinek drogi jest badany w różnych momentach. Odcinek, który fizycznie nie uległ deterioracji, powinien otrzymać tę samą klasę w przeglądzie 1 (miesiąc 0) i przeglądzie 2 (miesiąc 12). Stabilność czasowa jest walidowana poprzez wielokrotne przejazdy kontrolne przeprowadzane tego samego dnia oraz w różnych dniach. Wyniki testów pokazują, że 95% odcinków otrzymuje identyczne mediany klas jakości przy wielokrotnych przejazdach w tym samym cyklu przeglądowym. Pozostałe 5% wykazuje odchylenie co najwyżej o jeden poziom klasy, zazwyczaj przypisane przejściowym warunkom powierzchniowym (woda, zanieczyszczenia, cienie), a nie niestabilności modelu.

Stabilność oświetleniowa dotyczy zmienności warunków oświetleniowych między przejazdami przeglądowymi. Nawierzchnie obrazowane w bezpośrednim świetle słonecznym, w pochmurny dzień, o świcie, o zmierzchu i w cieniu mogą wyglądać wizualnie inaczej, mimo że stan fizyczny jest identyczny. Przestrzeń embeddingów DINOv3 jest trenowana z rozległą augmentacją danych, obejmującą losowe zmiany jasności, kontrastu, nasycenia i odcienia barw. Ta augmentacja zapewnia, że model nie polega na wskazówkach oświetleniowych przy określaniu jakości. Klasyfikator cosine kNN dodatkowo przyczynia się do stabilności oświetleniowej, ponieważ metryka podobieństwa cosinusowego jest niezmienna względem długości wektora — przyciemniony obraz generuje embedding o mniejszej długości, ale tym samym kierunku, więc jego podobieństwo do embeddingów referencyjnych pozostaje w dużej mierze niezmienione.

Testy potwierdzają stabilność oświetleniową. Gdy 500 odcinków kontrolnych jest obrazowanych w trzech warunkach oświetleniowych (ostre słońce, gęste zachmurzenie i świt/zmierzch), mediany klas jakości dla odcinków wykazują Kappę Fleissa na poziomie 0,91 we wszystkich warunkach, co wskazuje na niemal doskonałą zgodność. Odcinki obrazowane w nieidealnym oświetleniu (noc, głębokie cienie od konstrukcji przydrożnych) są oznaczane i wykluczane z wyników przeglądu.

Stabilność kamery dotyczy zmienności sprzętu obrazującego. Przeglądy przeprowadzane różnymi kamerami (różne rozmiary matryc, ogniskowe obiektywów, rozdzielczości lub profile kolorów) generują klasy jakości spójne w granicach MAE 0,15. Osiąga się to poprzez standaryzację pipeline’u przetwarzania obrazu: wszystkie surowe obrazy są konwertowane do wspólnej przestrzeni kolorów (sRGB z punktem bieli D65), skalowane do stałej rozdzielczości (zazwyczaj 1920×1080 lub 2048×1536 pikseli) i przycinane centralnie do spójnego pola widzenia przed podziałem na zdjęcia. Model embeddingów widzi tylko standaryzowane zdjęcia, a nie surowy obraz z kamery.

Stabilność kamery jest ważna dla agencji, które używają wielu pojazdów inspekcyjnych lub modernizują sprzęt kamerowy między cyklami przeglądowymi. System klas jakości utrzymuje spójną linię bazową pomiarów nawet przy zmianie sprzętu obrazującego.

Klasa Jakości a PCI i Inne Wskaźniki

Skala klas jakości (1–5 porządkowa) współistnieje z ustalonymi wskaźnikami stanu nawierzchni, ale zajmuje inną rolę w ekosystemie zarządzania nawierzchnią. Zrozumienie relacji między klasą jakości a tymi innymi wskaźnikami jest niezbędne dla agencji integrujących TarmacView z istniejącymi przepływami pracy.

Wskaźnik Stanu Nawierzchni (PCI) jest zdefiniowany przez normę ASTM D6433 i jest ciągłym wskaźnikiem od 0 do 100. PCI oblicza się poprzez przeprowadzenie szczegółowego przeglądu uszkodzeń: identyfikację wszystkich występujących rodzajów uszkodzeń (19 rodzajów uszkodzeń dla asfaltu i 15 dla betonu), pomiar zaawansowania każdego z nich (niskie, średnie, wysokie) oraz określenie zakresu (jako procent powierzchni lub długości liniowej). Obliczenie PCI stosuje wartości odjęć określone w normie, odejmuje całkowite odjęcia od 100 i otrzymuje wynik PCI. PCI jest najszerzej stosowanym wskaźnikiem stanu nawierzchni w Ameryce Północnej i jest wymagany przez wiele stanowych departamentów transportu.

Klasa jakości koreluje z PCI, ale nie odwzorowuje się na niego liniowo. Klasa jakości 1 generalnie odpowiada PCI 86–100 (Znakomity). Klasa 2 odpowiada z grubsza PCI 56–85 (Dobry do Zadowalającego). Klasa 3 odpowiada PCI 26–55 (Dostateczny do Słaby). Klasa 4 odpowiada PCI 11–40 (Słaby do Bardzo Słaby). Klasa 5 odpowiada PCI 0–25 (Bardzo Słaby do Niesprawny). Jednak odwzorowanie ma wariancję — odcinek z rozległymi, ale niskozaawansowanymi pęknięciami (PCI ~45) może otrzymać klasę jakości 3, podczas gdy odcinek z pojedynczą poważną dziurą, ale poza tym zdrową powierzchnią (PCI ~50) również może otrzymać klasę jakości 3. Klasa jakości jest całościową oceną wizualną, a nie obliczeniem inżynierii uszkodzeń.

Ocena Przejezdności Nawierzchni (PSR) i Wskaźnik Przejezdności Bieżącej (PSI) to starsze miary pochodzące z Testu Drogowego AASHO (1958–1960). PSR to subiektywna ocena 0–5 przypisywana przez panel oceniających jadących po nawierzchni. PSI to obliczany wskaźnik na podstawie pomiarów nierówności, pęknięć, łat i kolein. Klasa jakości różni się od PSR/PSI tym, że jest czysto wizualna (nie opiera się na komforcie jazdy lub nierównościach) i w pełni zautomatyzowana (nie wymaga panelu ludzkiego).

Międzynarodowy Wskaźnik Nierówności (IRI) mierzy nierówności profilu podłużnego w calach na milę (lub metrach na kilometr). IRI jest funkcjonalną miarą komfortu jazdy. Klasa jakości jest strukturalno-wizualną miarą stanu nawierzchni. Oba wskaźniki są komplementarne, ale nie wymienne: nawierzchnia z poważnymi pęknięciami zmęczeniowymi, ale niskim IRI (gładka, ale popękana) będzie miała niską klasę jakości, ale akceptowalny IRI, podczas gdy nawierzchnia z wysadzinami mrozowymi, ale nienaruszoną powierzchnią będzie miała dobrą klasę jakości, ale słaby IRI. Agencje powinny zbierać zarówno IRI, jak i klasę jakości, aby uzyskać pełny obraz stanu.

Wskaźnik Jakości Nawierzchni (PQI) to złożony wskaźnik łączący IRI, koleiny i uszkodzenia powierzchni w jeden wynik. PQI jest używany przez niektóre agencje jako uproszczona alternatywa dla PCI. Klasa jakości może służyć jako składowa uszkodzeń powierzchni w formule PQI, zastępując ręczne przeglądy uszkodzeń zautomatyzowaną klasą jakości.

Agencje mogą również obliczać zastępczy PCI z klasy jakości. Trenując model regresji, który odwzorowuje klasę jakości (plus cechy pomocnicze, takie jak typ nawierzchni i wiek) na wartości PCI zmierzone na tych samych odcinkach, agencje mogą generować wyniki stanu zgodne z PCI z automatycznego pipeline’u klas jakości. Zastępczy PCI ma niższą granularność niż pełny ręczny przegląd PCI (7 kategorii PCI w porównaniu do 100 dyskretnych wartości), ale jest wystarczający do planowania na poziomie sieci i pozwala uniknąć kosztów przeglądów ręcznych.

Klasa Jakości w Raportowaniu

Ostatnim etapem pipeline’u klas jakości jest tworzenie raportów, które komunikują stan nawierzchni interesariuszom: dyrektorom agencji, inżynierom, planistom utrzymania, wybranym urzędnikom i społeczeństwu. Dane klas jakości są prezentowane na wielu poziomach agregacji.

Dashboardy na poziomie sieci pokazują rozkład mil pasów ruchu według klas jakości w całej sieci agencji. Wykres kołowy lub słupkowy skumulowany przedstawia procent sieci w każdej klasie. Linie trendu pokazują, jak rozkład zmieniał się w kolejnych cyklach przeglądowych. Wskaźnik „procent dobrych" (procent mil pasów ruchu w klasach 1–2) jest powszechnym kluczowym wskaźnikiem efektywności (KPI) określonym w planach strategicznych agencji. Dashboard pokazuje również zaległe utrzymanie — szacowany koszt doprowadzenia wszystkich odcinków klas 4–5 co najmniej do klasy 3.

Raporty na poziomie odcinków wymieniają każdy odcinek drogi w sieci wraz z medianą klasy jakości, liczbą zbadanych zdjęć, IQR (jednorodność stanu), zmianą klasy rok do roku oraz zalecanym działaniem na podstawie progów uruchamiających agencji. Odcinki są zazwyczaj sortowane według priorytetu (najpierw najgorsza klasa lub najwyższy wynik ryzyka). Raporty te są podstawowymi dokumentami roboczymi do opracowywania programów utrzymaniowych.

Mapy lokalizacji problemów nakładają dane klas jakości na mapę systemu informacji geograficznej (GIS). Każda droga jest kodowana kolorystycznie według mediany klasy jakości (np. zielony = klasa 1, żółty = klasa 2, pomarańczowy = klasa 3, czerwony = klasa 4, ciemnoczerwony = klasa 5). Gorące punkty (pojedyncze zdjęcia klasy 5 w lepszych odcinkach) są oznaczone symbolami punktowymi. Mapa umożliwia szybką wizualną identyfikację stanu sieci i lokalizacji najgorszych odcinków.

Dane wejściowe do planu zarządzania aktywami formatują dane klas jakości do integracji z analizą kosztów cyklu życia (LCCA) i długoterminowymi modelami planistycznymi. Klasa służy jako stan początkowy dla modeli prognozowania wydajności, które przewidują przyszły stan w różnych scenariuszach budżetowych. Modele wykorzystują krzywe deterioracji skalibrowane do skali klas jakości: odcinek zaczynający od klasy 1 ulegnie pogorszeniu do klasy 2 po N latach, do klasy 3 po M latach itd., przy czym czas przejścia zależy od typu nawierzchni, ruchu, klimatu i historii utrzymania.

Podsumowania wykonawcze zapewniają syntezę wysokiego poziomu dla nietechnicznych decydentów. Typowe podsumowanie wykonawcze podaje średnią klasę jakości sieci, procent sieci w stanie Dobrym/Dostatecznym/Słabym, zmianę w stosunku do poprzedniego przeglądu oraz lukę finansową wymaganą do osiągnięcia docelowego stanu.

Raportowanie klas jakości opiera się na zasadach zarządzania jakością danych określonych w Praktycznym przewodniku FHWA. Raporty zawierają metadane dotyczące przeglądu: daty przeglądu, liczbę zebranych zdjęć, kompletność danych (procent sieci pomyślnie zbadanej), flagi kontroli jakości (odcinki, na których problemy z oświetleniem lub kamerą wpłynęły na dane) oraz przedziały ufności dla klas na poziomie odcinków. Ta przejrzystość umożliwia agencjom ocenę wiarygodności raportowanych klas i podejmowanie świadomych decyzji.