YOLO11-WLBS: מודל יעיל לגילוי ליקויים בכבישים

מדוע בדיקות דרכים טובות יותר חשובות

כל סדק ובור בכביש הוא לא רק מראה רע — הוא מקצר את חיי המבנה, עלול לפגוע ברכבים ולתרום לתאונות. כיום רבים מהכבישים עדיין נבדקים על ידי אנשים הנוסעים לאט עם לוח ציור או מצלמות פשוטות, מה שגוזל זמן, יקר וקל לטעות בו. המחקר מציג את YOLO11‑WLBS, מערכת ראייה ממוחשבת חכמה וקלילה שיכולה לזהות סוגים שונים של נזק בכביש בזמן אמת, אפילו בטלפון חכם או ברחפן, ומבטיחה תחזוקה מהירה ובטוחה יותר של רשתות הכבישים שלנו.

מצפורים איטיים למצלמות חכמות

עם הגידול בתנועה ובהתפשטות רשתות הכבישים, ליקויים כגון סדקים רוחביים ואורכיים, סדקי־אליגטור, סדקים אלכסוניים, בורות ותיקוני טלאים הופכים לשכיחים יותר. בדיקות מסורתיות — סקרי הליכה או נהיגה, או עיבוד תמונה פשוט — תלויות במידה רבה בשיפוט אנושי ומתקשות בתנאי תאורה נמוכה או סביבה עמוסה. בעשור האחרון למידה עמוקה ובפרט משפחת רשתות YOLO לשימת חפצים שינו את ניתוח התמונות על ידי לימוד דפוסים ישירות מתמונות גולמיות. מערכות מבוססות YOLO קודמות שיפרו דיוק אך עדיין התמודדו עם דילמה מרכזית: מודלים מדויקים מספיק היו לעתים כבדים ואיטיים מדי לשימוש בזמן אמת ברחפנים, בכלי רכב או במכשירים ניידים.

מנוע מכויל מבוסס YOLO11

המחברים מתחילים מ‑YOLO11, רשת זיהוי חפצים מודרנית שמאזנת כבר בין מהירות ודיוק, ומתאימים אותה לאתגרים המיוחדים של משטחים כבישים. המודל המשופר שלהם, שנקרא YOLO11‑WLBS, שומר על המבנה התלת־שלבי המוכר — "גב" (backbone) לחילוץ תכונות, "צוואר" (neck) לשילוב מידע בקנה מידה שונה ו"ראש" (head) לציור מסגרות ותוויות סביב הליקויים — אך מוסיף ארבע שדרוגים שנבחרו בקפידה. יחד התוספות מחדדות את יכולת המודל לראות סדקים דקים, משפרות את הטיפול בגדלים משתנים של ליקויים ומצמצמות חישובים מיותרים כדי שיוכל לפעול ביעילות על מכשירי קצה.

ארבע טריקים חכמים לזיהוי סדקים

השדרוג הראשון משתמש בקונבולוציה מבוססת וקלטים (wavelet) להדגשת פרטים בתדר גבוה — השינויים החדים בהבהירות שמגדירים סדקים וחורים קטנים — מבלי לנפח את גודל המודל. זה מסייע למערכת לשים לב לליקויים חלשים, דקים או לא סדירים שסינונים סטנדרטיים עלולים לפספס. לאחר מכן שלב "חילוץ מסתגל קל־משקל" מארגן מחדש מפות תכונה כך שהרשת תרכז מאמצים בערוצים המידעיים ביותר תוך קיצוץ בסך הפרמטרים בכ־רבע. פירמידת תכונה דו־כיוונית מאפשרת זרימה של מידע מלמעלה למטה ולהיפך בין סקלאים גסים ועדינים, ומשפרת את הזיהוי הן של סדקים זעירים והן של דפוסים מחוברים וגדולים יותר. לבסוף, מנגנון קשב פשוט מסמן את האזורים החשובים בכל מפת תכונה, ומנחה את הגלאי לכיוון ליקויים אמיתיים והרחיקו מהסחות כגון סימוני נתיבים, צללים או כתמים.

הוכחה שעובד בעולם האמיתי

כדי לבחון את YOLO11‑WLBS, הצוות אימן והעריך אותו על תמונות רחפן ברזולוציה גבוהה של משטחים אמיתיים, שכללו יותר מעשרת אלפים ליקויים מתויגים בשש קטגוריות. בהשוואה ל‑YOLO11 המקורי, המודל החדש מעלה את הדיוק מ‑0.853 ל‑0.947 ואת הריקול מ‑0.698 ל‑0.895, כלומר יש לו פחות אזעקות שווא ופוסח על פחות ליקויים. מדד הגילוי הכולל שלו (mAP@0.5) עולה בכ־12.2%, בעוד שמספר הפרמטרים יורד בכ‑25.5% בקירוב. המערכת נשארת מדויקת בתנאי תאורה נמוכה וגבוהה ואף כאשר התמונות מטושטשות או מורדות ברזולוציה, והיא עוברת היטב לערכת נתונים רחפנית נפרדת עם זויות מבט ורזולוציה שונות. המחברים אף פרסו גרסה מקוונטת מלאה על טלפון אנדרואיד, שהשיגה קרוב ל‑30 פריימים לשנייה לזיהוי וידאו חי של סוגי סדקים מרובים.

מה זה אומר לנהגים ולערים

פשוטו כמשמעו, YOLO11‑WLBS הוא זוג עיניים מהיר וחד יותר לכבישים שלנו. על ידי שילוב איתור שפה טוב יותר, ניצול חכם של קיבולת המודל, מיזוג תכונות ברב־סקלה וקשב קל־משקל, הוא מוצא יותר ליקויים בזמן שהוא פועל על חומרה צנועה כגון רחפנים וטלפונים. בכך הוא הופך מעשי לסרוק מקטעים ארוכים של משטחים בתדירות גבוהה, לזהות בעיות מוקדם ולתכנן תיקונים ביעילות רבה יותר, וכל זאת בלי לשלוח צוותים גדולים לתוך התנועה. למרות שהמודל עדיין מתקשה במידה מסוימת עם ליקויים נדירים כמו בורות — בעיקר בשל דוגמאות אימון מועטות — הוא מספק בסיס חזק למערכות עתידיות שלא רק יזהו היכן הכביש פגוע אלא גם יעריכו עד כמה החומרה חמורה, ויחוו ערים לקראת תחזוקה בטוחה וחסכונית יותר.

ציטוט: Lin, J., Wang, P., Ruan, Y. et al. YOLO11-WLBS: an efficient model for pavement defect detection. Sci Rep 16, 5284 (2026). https://doi.org/10.1038/s41598-026-35743-8

מילות מפתח: גילוי ליקויים בכבישים, גילוי סדקים בכביש, YOLO11-WLBS, בדיקות באמצעות רחפן, AI בקצה