Väginfrastruktur är en viktig del av samhällets transportsystem och kräver regelbundet underhåll för att upprätthålla säkerhet och funktion. Traditionella metoder för att identifiera vägskador är ofta tidskrävande och resursintensiva. I detta examensarbete undersöks hur artificiell intelligens kan användas för att analysera vägars skick med hjälp av bilddata och historiska mätvärden. Målet var att träna en modell för att upptäcka olika typer av vägskador automatiskt och utvärdera dess träffsäkerhet.

Arbetet baserades på en bildanalysmodell som tränades med både internationellt vägdata och svensk data från Trafikverket. Resultaten visade att modellen kunde identifiera flera skadetyper med god precision, men också att prestandan varierade beroende på skadans typ, bildkvalitet och datamängd. Analysen visar att tekniken kan bidra till effektivare vägunderhåll, särskilt i kombination med mänsklig expertis. Studien belyser även tekniska begränsningar, samhälleliga konsekvenser och hur denna typ av lösning kan bidra till ett mer hållbart transportsystem.

Road infrastructure is a crucial part of society’s transport systems and requires regular maintenance to ensure safety and functionality. Traditional methods for identifying road damages are often time-consuming and resource intensive. This thesis explores how artificial intelligence can be used to assess road conditions by analyzing image data and historical measurements. The aim was to train a model capable of automatically detecting various types of road damage and to evaluate its accuracy.

The work was based on an image analysis model trained using both international road datasets and Swedish data from the Swedish Transport Administration. The results showed that the model successfully identified several damage types with good precision, although its performance varied depending on damage type, image quality, and dataset size. The study demonstrates that such technology can improve road maintenance efficiency, especially when combined with human expertise. It also highlights technical limitations, societal implications, and the potential for contributing to a more sustainable transport system.