Land and Housing Review (토지주택연구)

Land and Housing Research Institute (한국토지주택공사 토지주택연구원)
권호 표지
DOI QR코드

DOI QR Code

AI-Based Pothole Detection Using Traffic Surveillance CCTV

교통정보 CCTV를 활용한 인공지능 기반 포트홀 탐지 기술 개발

  • 임원섭 (경상국립대학교 건설시스템공학과) ;
  • 민철규 (경상국립대학교 건설시스템공학과) ;
  • 최영환 (경상국립대학교 건설시스템공학과)
  • Received : 2025.08.01
  • Accepted : 2025.11.13
  • Published : 2025.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

As road infrastructure ages, potholes tend to form more frequently, resulting in increased vehicle damage and traffic accidents that pose significant societal challenges. Existing pothole detection methods, which use vehicle-mounted sensors or drones, suffer from limited coverage and high deployment costs. This study proposes an AI-based automated pothole detection model utilizing nationwide traffic surveillance CCTV. The model employs YOLOv8 with instance segmentation for precise pothole detection and integrates a vehicle tracking algorithm to automatically measure traffic volume. By combining data on pothole size, location, and traffic, the system quantitatively assesses road risk and supports maintenance prioritization. The proposed approach achieves high detection accuracy and real-time processing performance compared to existing methods, contributing to improved efficiency and safety in road infrastructure management.

노후화가 진행됨에 따라 도로 포트홀 발생 빈도는 지속적으로 증가하고 있으며, 이로 인한 차량 파손 및 교통사고는 중요한 사회적 문제로 대두되고 있다. 그러나 차량 장착 센서나 드론을 활용한 기존 포트홀 탐지 기법은 적용 범위가 제한적이고 구축 비용이 높다는 한계를 가진다. 본 연구에서는 전국 도로에 설치된 교통감시용 CCTV를 활용하여 포트홀을 자동 탐지하는 AI 기반 기법을 제안한다. 제안한 모델은 YOLOv8 인스턴스 세그멘테이션을 적용하여 포트홀을 정밀하게 식별하며, 차량 추적 알고리즘을 결합하여 교통량을 자동 산출한다. 이를 통해 포트홀 규모와 위치, 교통량 정보를 종합적으로 이용하여 도로 위험도를 정량적으로 평가하고 유지관리 우선순위 설정을 지원한다. 제안한 기법은 기존 방법 대비 높은 탐지 정확도와 실시간 처리 성능을 확보하였으며, 도로 인프라 관리의 효율성과 안전성 향상에 기여함을 확인하였다.

Keywords

Acknowledgement

본 연구는 중소벤처기업부의 기술개발사업[RS-2024-00426703] 및 [RS-2025-02313765]의 지원에 의한 연구임.

References

  1. 국토교통부(2022), ｢2022도로통계연보｣, 세종.
  2. 한국도로공사(2023), ｢도로결함및유지관리현황 연례보고서｣, 김천.
  3. Bhatia, Y., R. Rai, V. Gupta, N. Aggarwal and A. Akula (2022), "Convolutional Neural Networks Based Potholes Detection Using Thermal Imaging", Journal of King Saud University-Computer and Information Sciences, 34(3): 578~588.
  4. Kim, Y. M., Y. G. Kim, S. Y. Son, S. Y. Lim, B. Y. Choi and D. H. Choi (2022), "Reviewof Recent Automated Pothole-Detection Methods", Applied Sciences, 12(11): 5320.
  5. Lee, S. Y., T. H. M. Le and Y. M. Kim (2023), "Prediction and Detection of Potholes in Urban Roads: Machine Learning and Deep Learning Based Image Segmentation Approaches", Developments in the Built Environment, 13: 100109.
  6. Li, Q., Y. Shi, Q. Liu and G. Liu (2023), "Deep Learning-Based Pothole Detection For Intelligent Transportation: A YOLOv5 Approach", International Journal of Advanced Computer Science and Applications, 14(12): 314~321, doi: 10.14569/IJACSA.2023.0141242.
  7. Redmon, J., S. Divvala, R. Girshick and A. Farhadi (2016), "You Only Look Once: Unified, Real-Time Object Detection", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV.
  8. Rehan, M., A. Abbas, M. Iftikhar, M. Raza and A. Ahmed (2023), "Pothole Detection for Autonomous Vehicles Using Deep Learning", Frontiers in Built Environment, 9, 1323792, doi: 10.3389/fbuil.2023.1323792.
  9. Rout, N. K., G. Dutta, V. Sinha, A. Dey, S. Mukherjee and G. Gupta (2023), "Improved Pothole Detection Using YOLOv7 and ESRGAN", arXiv preprint, arXiv: 2401.08588, doi: 10.48550/arXiv.2401.08588.
  10. Safyari, Y., M. Mahdianpari and H. Shiri (2024), "A Review of Vision-Based Pothole Detection Methods Using Computer Vision And Machine Learning", Sensors, 24(17): 5652, doi: 10.3390/s24175652.
  11. Saisree, C. and U. Kumaran (2023), "Pothole Detection Using Deep Learning Classification Method", Procedia Computer Science, 218: 2143~2152.
  12. Terven, J., D. M. Córdova-Esparza and J. A. Romero-González (2023), "A Comprehensive Reviewof YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS", Machine Learning and Knowledge Extraction, 5(4): 1680~1716.
  13. Yurdakul, M. and Ş. Tasdemir (2025), "An Enhanced YOLOv8 Model for Real-Time and Accurate Pothole Detection and Measurement", arXiv preprint, arXiv: 2505.04207, doi: 10.48550/arXiv.2505.04207.
  14. Zanevych, Y., V. Yovbak, O. Basystiuk, N. Shakhovska, S. Fedushko and Argyroudis, S. (2024), "Evaluation of Pothole Detection Performance Using Deep Learning Models Under Low-Light Conditions", Sustainability, 16(24): 10964.