An integrated method of unmanned aerial vehicle and artificial intelligence for crack detection, classification, and pavement condition index calculation of airport pavements

This doctoral research develops and validates a fully automated methodology for the assessment of airport pavement conditions. The objective is to integrate UAV (Unmanned Aerial Vehicle) photogrammetry with AI (Artificial Intelligence) algorithms to detect, classify, and quantify cracks, and to calculate the Pavement Condition Index (PCI) in compliance with ASTM D5340 standards. This approach addresses the main limitations of traditional Airport Pavement Management System (APMS), which rely on visual inspections that are time-consuming, subjective, and prone to error. A comprehensive aerial image dataset was created through UAV surveys at multiple Italian airfields, capturing different pavement structures, service lives, and environmental conditions. All images were manually annotated at the pixel level to support the training of several YOLO (You Only Look Once) deep learning models. After rigorous evaluation, the best-performing configuration consistently achieved crack length detection errors below 5% for both longitudinal and transverse distresses. The methodology was validated through case studies at Italian airports, comparing automated results with traditional on-site inspections. The system demonstrated strong agreement with visual inspections while reducing inspection time from several weeks to only a few days. By minimizing subjectivity and operational disruptions, the proposed methodology enables reliable, repeatable, and data-driven assessments within APMS frameworks. Moreover, the integration of UAV-based imagery and AI-driven analysis offers a scalable solution that can be extended to other infrastructure networks, such as highways and roads, supporting more efficient maintenance strategies and safer operations

La presente ricerca di dottorato sviluppa e valida una metodologia completamente automatizzata per la valutazione delle condizioni delle pavimentazioni aeroportuali. L’obiettivo è integrare la fotogrammetria da UAV (Unmanned Aerial Vehicle) con algoritmi di Intelligenza Artificiale (AI), al fine di rilevare, classificare e quantificare i dissesti presenti nelle pavimentazioni aeroportuali e calcolare il Pavement Condition Index (PCI) in conformità con la norma ASTM D5340. L’approccio proposto supera i principali limiti dei tradizionali Airport Pavement Management System (APMS), i quali si basano su ispezioni visive che risultano dispendiose in termini di tempo, soggettive e suscettibili a errore umano. A tal fine, è stato realizzato un ampio dataset di immagini aeree tramite rilievi condotti con droni in diversi aeroporti italiani, comprendenti pavimentazioni con differenti caratteristiche strutturali, età di servizio e condizioni ambientali. Tutte le immagini sono state annotate manualmente a livello di pixel, costituendo la base per l’addestramento di diversi modelli di deep learning appartenenti alla famiglia YOLO (You Only Look Once). I risultati sperimentali hanno evidenziato che la configurazione con le migliori prestazioni ha garantito errori di rilevamento della lunghezza delle fessure inferiori al 5% sia per quadri fessurativi di tipo longitudinali e trasversali. La metodologia è stata successivamente validata attraverso casi di studio in aeroporti italiani, confrontando i risultati ottenuti in modo automatizzato con quelli derivanti da ispezioni tradizionali. Il sistema ha mostrato una forte concordanza con le indagini visive, riducendo i tempi complessivi di rilievo da diverse settimane a pochi giorni. Riducendo la soggettività delle valutazioni e minimizzando le interferenze operative, la metodologia proposta consente di effettuare ispezioni affidabili, ripetibili e basate su dati oggettivi all’interno dei framework APMS. Inoltre, l’integrazione tra rilievi fotogrammetrici da drone e analisi basate su I.A. rappresenta una soluzione scalabile, potenzialmente estendibile ad altre reti infrastrutturali, quali autostrade e viabilità ordinaria, a supporto di strategie di manutenzione più efficienti e di una maggiore sicurezza operativa.