初版

SPRESENSEでインフラ点検向けのエッジAIドローン

製作品

(MIT) The MIT License

1. 概要 本記事では、カメラ・エッジAI・BLE通信を搭載したドローンを用いたインフラ点検システムの試作について紹介する。 対象はトンネルや水道管といった閉鎖・狭小空間インフラであり、機体側でひび割れ（Crack）を自動検出し、必要な情報のみを保存・送信することを目的としている。 1.1.ゴール 本試作のゴールは以下の3点である。 ○ドローン搭載カメラ画像から、ひび割れを機体側で検出できること ○Spresenseクラスのマイコンで動作可能な軽量処理であること ○「なぜその判定になったか」を説明可能なAI構成であること 1. 課題背景 2.1.インフラ点検の制約 トンネルや水道管といったインフラ設備の点検には、以下の制約が存在する。 ○通信環境が不安定、または存在しない ○人が立ち入るには危険・コストが高い ○点検対象が長距離・広範囲に及ぶ このため、近年はドローンやロボットによる点検が注目されている。 2.2.機体側で判断する意義 しかし多くのドローン点検は、「とりあえず撮影 → 全画像を送信 → 人が確認」という構成に留まっている。 2.3.今回の記事の位置づけ ドローンは単なる飛行カメラではなく、現場で考える自律判断型ロボットへ進化すべき 1. 構成 3.1.ハードウェア構成 ドローン（100g未満クラス） Sony Spresense Spresense Camera BLE（BLE1507） microSD モバイルバッテリー給電 本記事では、IMUや位置推定は未実装とし、画像AIの検証にフォーカスしている。 3.2.保存と送信の最小単位 本構成では、 通常時：画像は破棄 異常検出時：画像、スコア、時刻のみを保存・送信する。 3.3.位置表現とIMU導入の段階 将来的にはIMUを用い、入口からの距離や区間IDといった1次元参照系で位置を表現する想定である。 1. 要素 4.1.入力データ 路面・壁面の実写画像 ひび割れあり／なし （解像度統一済み） 4.2.中間生成物 Thin Candidate（二値化細線画像）を可視化することで、AIが何を見て判断しているかを確認 4.3.出力画像 score（連続値） pred（CRACK / NO-CRACK） 1. 実現のための工夫 5.1.TrueがCRACKになりやすい問題 単純な画像分類では、テクスチャや継ぎ目、影などがひび割れと誤認されやすい。 5.2.長く細い線だけを評価する 「割れ単体」ではなく「連続している」や「割れの特長」などの特性を学習させた 5.3.スコアの作り方としきい値 Thin Candidate に含まれる画素量を正規化し、スコアとして算出する。 5.4.見落とし対策の考え方 見落としを減らすため、閾値は低めに設定し誤検出は後段で整理という思想を取っている。 1. 導入検証 6.1.実行環境 Python（学習・検証） Spresense実装を想定した軽量処理 6.2.実行手順 学習データ：300枚 テストデータ：100枚 （CRACK / NO-CRACK 均等） 6.3.結果 以下は代表例である。 CRACK画像 score = 0.002167 → CRACK NO-CRACK画像 score = 0.000389 → NO-CRACK score = 0.000151 → NO-CRACK score = 0.000108 → NO-CRACK ひび割れに沿ってHeatmapが反応し、 細線のみが抽出されていることを確認できた。     1. まとめ AIを載せること自体よりも、どこで判断し、何を残し、何を捨てるかを考えることが重要だと感じている。 本記事が、エッジAI × ハードウェア × 社会実装に興味を持つ方の参考になれば幸いである。