צינור TinyML לסיווג סדקים יעיל בבדיקות בריאות מבניות באמצעות רחפנים

עיניים חכמות בשמיים

גשרים, סכרים ומבנים קריטיים אחרים מזדקנים כמו בני אדם, וסדקים זעירים יכולים להיות סימני אזהרה מוקדמים לכשלים עתידיים. מהנדסים שולחים יותר ויותר רחפנים קטנים לצלם משטחים אלה, אבל כיום רבות מהתמונות נאלצות להישלח לשרתי ענן מרוחקים לניתוח, מה שמבזבז סוללה ומציב סיכוני פרטיות. המאמר חוקר כיצד לכווץ את ה"מוח" המזהה סדקים לשבב זעיר בקנה מידה מיליווט שיכול לרכוב על הרחפן עצמו, מה שהופך את הבדיקות למהירות, בטוחות ויעילות יותר.

מדוע סדקים חשובים

שיטות מסורתיות למעקב אחר מצב מבנים מסתמכות לעתים על חיישנים מגעיים המחוברים או מודבקים לבטון ולפלדה. מערכות אלה יכולות להיות יקרות להתקנה ונוטות לזהות בעיות רק לאחר שהנזק כבר התקדם. בדיקה ויזואלית מספקת תמונה ישירה יותר, אך שליחת בודקי אדם על פיגומים או לתוך נתיבי תנועה איטית, מסוכנת וסובייקטיבית. מטוסים בלתי מאוישים (UAVs) קטנים המצוידים במצלמות מציעים דרך טובה יותר: הם יכולים לסרוק במהירות מרפסות גשרים וקירות, ללכוד אלפי תמונות מפורטות שמגלות סדקים דקים. האתגר הוא מה עושים עם כל הנתונים האלה כאשר הרחפן מוגבל בזמן טיסה ובחיבורי רשת בלתי מהימנים.

הבעיה בשליחת הכל לענן

מרבית המערכות כיום פועלות בתבנית "רכישה בקצה–הסקה בענן". הרחפן פועל כמצלמה מעופפת המשדרת תמונות למחשב חזק במקום אחר שמריץ מודל למידה עמוקה כדי להחליט האם כל חלק בבטון מכיל סדק. הגישה הזו נראית הגיונית מבחינת חישוב, אך יש לה חסרונות משמעותיים. שידור תמונות באיכות גבוהה מרוקן את סוללת הרחפן וקוטע את זמן הטיסה. אם הקישור האלחוטי נקטע או נחלש, משימת הבדיקה עלולה להיתקע ברגע קריטי. והעברת תמונות מפורטות של תשתיות אסטרטגיות לשרתים מרוחקים מעלה חששות ברורים של פרטיות וביטחון. מתחים אלה מניעים גישה שונה: להציב את האינטליגנציה ישירות על הרחפן, בחומרה השואפת להיות רק קצת יותר חזקה משעון דיגיטלי.

כיווץ המוח לשבב זעיר

המחברים בנו צינור מקצה אל קצה שפועל על בקר מיקרו-בקר נמוך-צריכה, STM32H7, באמצעות רשת נוירונית קומפקטית בשם MobileNetV1x0.25. במקום להמציא מודל חדש, הם התמקדו בכל מה שסביבו: כיצד התמונה מעובדת מראש וכיצד המודל מכווץ. הם השתמשו במאגר נתונים שנחקר היטב של מעל 50,000 תמונות בטון, מחולקות לפאצ'ים קטנים המסומנים כ"סדק" או "ללא סדק", ואז אימנו ובחנו דרכים שונות להכין פאצ'ים אלה עבור המודל הזעיר. מסלול אחד נקט ברצף ידני של שלבים כמו המרת גווני אפור, חיזוק ניגודיות, הסרת רעשים, החלקה ולבסוף המרת תמונות לצלליות שחור-לבן חזקות. מסלול אחר אפשר לאסטרטגיית חיפוש "חמדנית" לבנות שרשרת עיבוד שלב אחר שלב, תוך שמירה תמידית על השילוב ששיפר בפועל את ביצועי המודל.

מציאת נקודת האיזון בצינור

המבחנים חשפו שעיבוד רב אינו תמיד טוב יותר. הצינור הידני, שסיים בבינריזציה חריפה, פגע למעשה ברשת הנוירונית, כשהוא מסיר גוונים עדינים שהמודל נזקק להם כדי לראות סדקים דקים. לעומת זאת, החיפוש החמדני מצא שזוג של צעדים פשוטים—המרת גווני אפור ואחריה סינון מדיאני להחלקת רעשים בעדינות—נתן את התוצאות הטובות ביותר. בנוסף לכך, הצוות חקר באופן שיטתי ארבע שיטות לדחיסת המודל: המרת המספרים בדיוק מלא לאינטרים בן שמונה ביטים, אימון תוך סימולציה של כימות (quantization-aware training), גזירה (pruning) של משקלים פחות חשובים, וקיבוץ ערכי משקל דומים יחד. ניסו טכניקות אלה לבדן ובשילובים, ואז פרסו את המודלים על לוח המיקרו-בקר ומדדו לא רק דיוק, אלא שימוש בזיכרון, זמן עיבוד ואנרגיה לפריט החלטה.

מחשב זעיר, ביצועים גדולים

הגדרה אחת בלטה כבחירה הטובה ביותר הכוללת: כניסת תמונה בהמרת גווני אפור ובסינון מדיאני המוזנת למודל שמשלב גזירה עם אימון מודע-כימות בפורמט בן שמונה ביטים. תצורה קומפקטית זו השיגה מדד F1—איזון בין לכידה של סדקים אמיתיים והימנעות מאזהרות שווא—בשיעור 0.938, קפיצה של יותר מ-11 נקודות אחוז על פני גלאי סדקים קודמים שפעלו על המכשיר. במקביל, היא דרשה רק כ-2.9 מגה-בייט זיכרון עבודה, 309 קילובייט מאחסון תוכנה, ופחות מחצי שנייה לעיבוד כל פאצ' תמונה. כל החלטה צרכה בערך 0.6 ג'אול של אנרגיה. כשהותקן על רחפן DJI Mini 4 Pro, הרצת הממויין סדקים זה ברצף הייתה מקטינה את זמן הטיסה רק בכ-4 אחוזים, בהתייחס לירידה של כרבע מהסוללה שנגרמת על ידי לוחות עיבוד בקצה נפוצים וכבדים הרבה יותר.

מה משמעות הדבר עבור בדיקות בשטח

עבור קהל שאינו מומחה, המסר המרכזי הוא שהערכות מבניות רציניות כבר אינן דורשות שליחת תמונות רגישות למרכזי נתונים מרוחקים או נשיאה של מחשבים מגושמים וצרכני-אנרגיה לשמיים. על ידי כוונון מדויק של ניקוי התמונות ודחיסת רשת הנוירונים, המחברים מראים ששבב בגודל אגודל יכול לזהות סדקים בבטון באופן אמין תוך צריכה מזערית של סוללת הרחפן. המערכת נשארת יחסית עמידה לטשטוש מתנועה ולשינויי תאורה, ומתנהגת באופן סביר גם כאשר תמונות סדקים נדירות בין פאצ'ים בריאים רבים. בהתאחדות, תוצאות אלה מקרבות את בדיקות הרחפנים לעתיד שבו להקות של UAVs קטנים וזולים יוכלו לסייר בשקט בתשתיות שלנו, לזהות בעיות מוקדם עם בינה חכמה ויעילה על הלוח.

ציטוט: Zhang, Y., Nürnberg, A., Rau, L.S.M. et al. TinyML pipeline for efficient crack classification in UAV-based structural health inspections. Sci Rep 16, 8964 (2026). https://doi.org/10.1038/s41598-026-43534-4

מילות מפתח: בדיקת רחפנים, סדקי בטון, למידת מכונה זעירה, ניטור בריאות מבנית, AI בקצה