Актуальность исследования обусловлена тем, что в платформах мониторинга дорожной инфраструктуры ошибки на уровне детектирования и интерпретации состояния объектов способны переходить в ошибки нормативных и управленческих решений, особенно в реальных условиях съемки (тени, блики, влажное/заснеженное покрытие, загрязнения, неоднозначные границы дефектов), где возрастает риск неверной классификации и локализации. Это критично при пороговой нормативной оценке, поскольку небольшая погрешность может привести к смене категории состояния и, как следствие, к необоснованному назначению ремонтных мероприятий либо к пропуску опасного дефекта. В связи с этим статья направлена на исследование учета неопределенности детектирования дефектов дорожного покрытия в многоагентном контуре мониторинга, где результаты наблюдений передаются между компонентами вместе с контекстом обработки через Model Context Protocol как единый протокол обмена событиями, метаданными и параметрами интерпретации. Ведущим подходом является построение вычислительного конвейера, включающего предварительную обработку видеоданных, детектирование дефектов, вычисление показателя неопределенности H(p) по распределению вероятностей классов, присвоение статуса «автоматически/валидация/уточнение», последующую нормативную интерпретацию и агрегацию по участкам дорожной сети. Для обеспечения воспроизводимости каждый прогон фиксируется как унифицированный «контекст эксперимента» (идентификатор сцены/кадра, версия модели, параметры порогов, статус решения), что позволяет сопоставимо сравнивать режимы и выполнять аудит причин расхождений. Верификация основана на сравнении нормативных решений с экспертной оценкой и анализе зависимости доли ошибочных нормативных решений от порога автоматического принятия решения по H(p), при этом риск-ориентированная логика переводит высоконеопределенные детекции в режим валидации и снижает вероятность ошибок в пограничных случаях. Показано, что протоколирование контекста через Model Context Protocol и учет H(p) повышают воспроизводимость экспериментов и обоснованность нормативной интерпретации, уменьшая риск ошибочной приоритизации ремонта за счет отделения сомнительных наблюдений и сохранения причин принятого решения.
1. Zheng L., Xiao J., Wang Y., et al. Deep learning-based intelligent detection of pavement distress. Automation in Construction. 2024;168. https://doi.org/10.1016/j.autcon.2024.105772
2. Shang J., Zhang A.A., Dong Z., Zhang H., He A. Automated pavement detection and artificial intelligence pavement image data processing technology. Automation in Construction. 2024;168. https://doi.org/10.1016/j.autcon.2024.105797
3. Yang X., Zhang J., Liu W., Jing J., Zheng H., Xu W. Automation in road distress detection, diagnosis and treatment. Journal of Road Engineering. 2024;4(1):1–26. https://doi.org/10.1016/j.jreng.2024.01.005
4. Fani A., Golroo A., Naseri H., Mirhassani S.A., Gandomi A.H. Risk-based pavement maintenance planning considering budget and pavement deterioration uncertainty. Structure and Infrastructure Engineering. 2024;20(10):1437–1450. https://doi.org/10.1080/15732479.2022.2145317
5. Samadzadegan F., Dadrass Javan F., Ashtari Mahini F., Gholamshahi M., Nex F. Automatic Road Pavement Distress Recognition Using Deep Learning Networks from Unmanned Aerial Imagery. Drones. 2024;8(6). https://doi.org/10.3390/drones8060244
6. Hu Y., Chen N., Hou Y., Lin X., Jing B., Liu P. Lightweight deep learning for real-time road distress detection on mobile devices. Nature Communications. 2025;16. https://doi.org/10.1038/s41467-025-59516-5
7. Arya D., Maeda H., Ghosh S.K., Toshniwal D., Sekimoto Y. RDD2022: A multi-national image dataset for automatic road damage detection. Geoscience Data Journal. 2024. https://doi.org/10.1002/gdj3.260
8. He W., Jiang Zh., Xiao T., Xu Z., Li Y. A Survey on Uncertainty Quantification Methods for Deep Learning. arXiv. URL: https://arxiv.org/abs/2302.13425 [Accessed 24th December 2025].
9. Andéol L., Fel Th., de Grancey F., Mossina L. Confident Object Detection via Conformal Prediction and Conformal Risk Control: an Application to Railway Signaling. In: Conformal and Probabilistic Prediction with Applications: Proceedings of Machine Learning Research 204, 13–15 September 2023, Limassol, Cyprus. PMLR; 2023. P. 36–55.
10. Zhang Sh., Bei Zh., Ling T., Chen Q., Zhang L. Research on high-precision recognition model for multi-scene asphalt pavement distresses based on deep learning. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-77173-4
11. Li Y., Miao N., Ma L., Shuang F., Huang X. Transformer for object detection: review and benchmark. Engineering Applications of Artificial Intelligence. 2023;126. https://doi.org/10.1016/j.engappai.2023.107021
12. Huseljic D., Herde M., Hahn P., Müjde M., Sick B. Systematic Evaluation of Uncertainty Calibration in Pretrained Object Detectors. International Journal of Computer Vision. 2025;133:1033–1047. https://doi.org/10.1007/s11263-024-02219-z
13. Schlegel M., Sattler K.-U. Capturing end-to-end provenance for machine learning pipelines. Information Systems. 2025;132. https://doi.org/10.1016/j.is.2024.102495
14. Gireesh E.D., Gurupur V.P. Information Entropy Measures for Evaluation of Reliability of Deep Neural Network Results. Entropy. 2023;25(4). https://doi.org/10.3390/e25040573
15. Abdar M., Pourpanah F., Hussain S., et al. A review of uncertainty quantification in deep learning: techniques, applications and challenges. Information Fusion. 2021;76:243–297. https://doi.org/10.1016/j.inffus.2021.05.008
16. Hildebrand M., Brown A., Brown S., Waslander S.L. Assessing Distribution Shift in Probabilistic Object Detection Under Adverse Weather. IEEE Access. 2023;11:44989–45000. https://doi.org/10.1109/ACCESS.2023.3270447
17. Balanya S.A., Maroñas J., Ramos D. Adaptive temperature scaling for Robust calibration of deep neural networks. Neural Computing and Applications. 2024;36(14):8073–8095. https://doi.org/10.1007/s00521-024-09505-4
18. Gawlikowski J., Tassi C.R.N., Ali M., et al. A survey of uncertainty in deep neural networks. Artificial Intelligence Review. 2023;56(S1):1513–1589. https://doi.org/10.1007/s10462-023-10562-9
19. Yelleni S.H., Kumari D., Srijith P.K., Mohan C.K. Monte Carlo DropBlock for modeling uncertainty in object detection. Pattern Recognition. 2024;146. https://doi.org/10.1016/j.patcog.2023.110003
20. Sharifuzzaman S.A.S.M., Tanveer J., Chen Y., et al. Bayes R-CNN: An Uncertainty-Aware Bayesian Approach to Object Detection in Remote Sensing Imagery for Enhanced Scene Interpretation. Remote Sensing. 2024;16(13). https://doi.org/10.3390/rs16132405
21. Grafberger S., Groth P., Schelter S. Provenance Tracking for End-to-End Machine Learning Pipelines. In: WWW '23 Companion: Companion Proceedings of the ACM Web Conference 2023, 30 April – 04 May 2023, Austin, TX, USA. New York: Association for Computing Machinery; 2023. https://doi.org/10.1145/3543873.3587557
22. Ostroukh A.V., Kuftinova N.G., Borzenkov A.M., Podberezkin A.A., Ostroukh I.A. Research on Using Deep Learning for Transport Demand Prediction. In: 2024 Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex, 13–15 November 2024, Moscow, Russian Federation. IEEE; 2024. P. 1–5. https://doi.org/10.1109/TIRVED63561.2024.10769599
