جاده‌ها به عنوان زیرساخت‌های حیاتی کشور، نقش بسیار مهمی در توسعه اقتصادی و اجتماعی کشور دارند. از این رو، حفظ و نگهداری مناسب جاده‌ها از اهمیت بالایی برخوردار است. تعمیر و نگهداری به موقع جاده‌ها می‌تواند از خرابی‌های جدی‌تر جلوگیری کرده و هزینه‌های تعمیرات آینده را کاهش دهد. با پیشرفت تکنولوژی، روش‌های خودکار داده‌برداری جایگزین روش‌های سنتی شده‌ و استفاده از تکنیک­های بینایی ماشین و یادگیری عمیق، امکان پردازش و تحلیل خودکار تصاویر روسازی جاده‌ها را فراهم آورده است. در سال­های اخیرخودروهای خودران به عنوان ابزاری موثر در داده‌برداری و تشخیص خرابی‌های روسازی آسفالتی مطرح شده­اند. این خودروها با حسگرها و دوربین‌های پیشرفته، می‌توانند به طور پیوسته و بدون دخالت انسان از سطح جاده‌ها داده‌برداری نمایند. در این مطالعه، با استفاده از داده های جمع آوری شده توسط خودروهای خودران و به کارگیری الگوریتم­ یولو نسخه هشت که یکی از قدرتمندترین الگوریتم های بینایی ماشین محسوب می­شود، هشت نوع خرابی روسازی از جمله ترک پوست سوسماری، ترک طولی و عرضی، وصله و چاله هریک با شدت های کم و زیاد مورد شناسایی قرار گرفته و مدلی توسعه داده شد که توسط آن میانگین دقت متوسط 0.815 برای کلیه خرابی­ها حاصل گردید.