A manutenção eficiente da malha viária depende da identificação precoce e confiável de danos em pavimentos. Métodos tradicionais de inspeção, predominantemente manuais, são custosos, lentos e sujeitos à variabilidade entre avaliadores. Este trabalho apresenta um sistema de visão computacional baseado em YOLOv11 para detecção e classificação de defeitos em pavimentos asfálticos, com mensuração inicial por estimativa de área a partir de bounding boxes. A abordagem utiliza (i) pré-processamento para realce de contraste e bordas, (ii) uma cascata de modelos de detecção para robustez e refinamento de predições e (iii) detecção constrangida à região efetiva da pista para reduzir falsos positivos fora da via. O estudo utiliza um dataset brasileiro em construção a partir de imagens de rodovias com anotações automáticas assistidas por modelos treinados previamente em bases anotadas. Como prévia dos resultados: o modelo de detecção de defeitos alcançou mAP@0.5 de 85,0% com Precision de 89,1%, enquanto o modelo de segmentação de via atingiu desempenho superior a 99% em todas as métricas. A cascata de modelos mostrou ganho relevante na detecção de remendos, e a restrição espacial eliminou falsos positivos em regiões fora da pista. Como trabalhos futuros, prevê-se o refinamento das anotações brasileiras, consolidação de métricas quantitativas e evolução para estratégias de mensuração mais precisas baseadas em segmentação.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160