YOLO11-WLBS: 舗装欠陥検出のための効率的なモデル

なぜ道路点検を改善することが重要か

道路のひび割れや穴は見た目が悪いだけでなく、舗装の寿命を縮め、車両に損傷を与え、事故の原因にもなります。現在でも多くの道路は、クリップボードや簡易カメラを持った人がゆっくり走行して点検しており、時間とコストがかかり、ミスも起きやすい方法です。本研究は、スマートフォンやドローン上でもリアルタイムにさまざまな種類の道路損傷を検出できる、より賢く軽量なコンピュータビジョンシステム「YOLO11‑WLBS」を提案し、道路網のメンテナンスを迅速かつ安全にする可能性を示します。

遅い巡回からスマートカメラへ

交通量の増加や道路網の拡大に伴い、横ひび割れや縦ひび割れ、アリゲータクラック（網目状ひび割れ）、斜めひび割れ、ポットホール（穴）、修復パッチといった欠陥が増えています。従来の点検（歩行や車両による調査、簡易な画像処理）は人の判断に大きく依存し、照明が悪い場所や雑多な背景では苦戦します。ここ10年で深層学習、特にYOLO系列の物体検出ネットワークは、生の画像から直接パターンを学ぶことで画像解析を大きく変えました。YOLOベースの舗装検出システムは精度を向上させてきましたが、十分な精度を持つモデルは往々にして大きく遅いため、ドローンや車両、携帯端末でのリアルタイム運用には不向きという根本的なトレードオフが残っていました。

YOLO11を基盤に調整したエンジン

著者らはまず速度と精度のバランスが取れた最新の物体検出ネットワークであるYOLO11を出発点とし、道路表面特有の課題に合わせて調整しました。改良モデルYOLO11‑WLBSは通常の3段構成――特徴抽出の「バックボーン」、異なるスケールの情報を統合する「ネック」、欠陥の周りにボックスとラベルを付ける「ヘッド」――を維持しつつ、4つの厳選された改良を加えています。これらの追加により、細いひび割れの検出が鋭くなり、複数サイズの欠陥処理が改善され、不要な計算が削減されてエッジ機器でも効率よく動作します。

ひびを見つけるための4つの工夫

最初の改良はウェーブレットに基づく畳み込みを使い、高周波成分――ひび割れや小さな穴を縁取る明るさの急変――を強調しつつモデルの肥大化を避けます。これにより、標準的なフィルタが見落としがちな薄く淡い不規則な欠陥を検出しやすくなります。次に「軽量適応抽出」により特徴マップを再編成して、ネットワークが最も情報量の多いチャネルに注力できるようにしながら、パラメータ総数を約4分の1削減します。双方向フィーチャーピラミッドは粗いスケールと細かいスケールの間で情報を上下に流通させ、微細な亀裂から大きく連続したひび割れパターンまで認識を向上させます。最後に単純な注意機構が各特徴マップの重要領域を強調し、車線のマーキングや影、汚れといった注意をそらす要素を避けつつ真の欠陥へ検出器を導きます。

実世界での有効性の実証

YOLO11‑WLBSを検証するため、チームは高解像度のドローン画像で学習・評価を行い、6カテゴリにわたる1万件以上のラベル付き欠陥を対象としました。元のYOLO11と比較して、新モデルは精度（precision）を0.853から0.947に、再現率（recall）を0.698から0.895に向上させ、誤検知が減り見逃しも大幅に少なくなっています。総合的な検出スコア（mAP@0.5）は12.2%上昇し、パラメータ数は約25.5%減少しました。暗所や明所、画像がぼやけたりダウンサンプリングされた場合でも高い精度を保ち、視点や解像度の異なる別のドローンデータセットへの転移性も良好でした。著者らは量子化した完全版をAndroidスマートフォン上で動作させ、複数のひび割れタイプのライブビデオ検出でほぼ30フレーム/秒を達成しています。

ドライバーと都市にとっての意味

要するに、YOLO11‑WLBSは道路に対するより速く、より鋭い視点を提供します。優れたエッジ検出、モデル容量の賢い活用、多重スケールの特徴融合、軽量な注意機構を組み合わせることで、ドローンやスマートフォンのような控えめなハードウェア上でもより多くの欠陥を検出できます。これにより長い区間の舗装を頻繁にスキャンして早期に問題を発見し、効率的に修繕計画を立てることが現実的になり、大規模な作業員を交通の中に送り込む必要が減ります。ポットホールなど発生頻度が低い希少な欠陥については学習データが少ないため依然苦手な面はありますが、本モデルは単に損傷箇所を検出するだけでなく損傷の程度を推定する将来のシステムの強固な基盤となり、都市のより安全で費用対効果の高い維持管理を導くでしょう。

引用: 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

キーワード: 舗装欠陥検出, 道路ひび割れ検出, YOLO11-WLBS, ドローン検査, エッジAI