「巡回のたびに見る人が違うと、記録もバラつく」——道路の舗装損傷を目視で拾い続ける現場は、属人化と見落としの不安を抱えています。車載カメラと画像AIは、その負担をどこまで肩代わりできるのか。過度な期待でも諦めでもなく、確かめ方から一緒に考えます。
道路の舗装は、供用年数・交通量・気候・下地の状態によって少しずつ傷んでいきます。ひび割れが線状から亀甲状へ広がり、雨水が路盤に浸み込み、やがてポットホール（穴ぼこ）として顕在化する——この進行は緩やかで、日々のパトロールでは「まだ大丈夫」「そろそろ怪しい」という担当者の感覚に委ねられがちです。多くの管理現場では、巡回車を走らせながら目視で確認し、気づいた損傷を手元のメモや口頭、写真で記録しています。
問題は、この記録が人に強く依存することです。ベテランが見れば拾える初期のヘアクラックを、慣れていない担当者は見落とす。前回と今回で巡回した人が違えば、同じ路線でも記録の粒度がそろわない。夕方の逆光や雨上がりの路面では、そもそも損傷が見えにくい。走行中の一瞬の判断で全区間を均一に評価し続けることは、人間には構造的に難しい作業だと考えられます。
インフラ点検の現場では、経験豊富な人材の退職と採用難が同時に進んでいます。属人的なノウハウが引き継がれないまま、点検すべき延長距離は変わらない——この構造は道路に限らず、老朽化する社会インフラ全体に共通する課題です。関連する背景はinfrastructure aging inspection crisisでも整理しています。「見落とし＝事故・苦情・緊急補修」という下流のコストを考えると、記録を人の勘だけに委ね続けるリスクは静かに大きくなっていると言えます。
「舗装損傷を見落とす」という悩みは、実は複数の別々の問題が混ざっています。ここを切り分けないと、AI導入が万能薬に見えてしまい、期待と現実がずれます。少なくとも次の三つは分けて考えたいところです。
走行速度が速い、逆光や日陰で路面のコントラストが出ない、初期のひび割れが細すぎる——これは「見る力」の問題です。人が集中しても拾いにくい条件では、記録以前に検出そのものが成立していません。ここは撮像条件（カメラ解像度・シャッター・照明・車速）の設計で改善しうる領域です。
担当者は気づいているのに、走行中でメモできない、位置を正確に残せない、後で写真とメモが突合できない——これは「記録・突合」の問題です。損傷の有無より、いつ・どこで・どの程度、を再現可能な形で残せるかが焦点になります。車載カメラは、まずこの記録の連続性と位置精度で効いてくると考えられます。
同じひび割れを「様子見」とするか「要補修」とするかが、人によって、あるいは同じ人でも日によって変わる——これは「評価基準」の問題です。ひび割れ率やわだち掘れ量といった指標に対して、どこからを損傷として計上するかの線引きが暗黙知のままだと、AIに置き換えても基準がなければ揺れます。まず自分たちの困りごとがこの三つのどれに重いのかを見極めることが、手戻りを減らすと考えます。
基本的な発想はシンプルです。巡回車の前方または下方に産業用カメラを取り付け、走行しながら舗装面を連続撮影し、各フレームを画像AIが解析して「ひび割れ」「ポットホール」「わだち掘れ」などの候補を検出します。同時にGNSS（GPS等）とタイムスタンプを紐づけることで、検出した損傷を路線上の位置として記録し、後から地図に重ねられるようにします。
ここで大切なのは、AIを「人の代わりに合否を決める判定者」ではなく、「見落としを減らし、記録を均質化する一次スクリーニング」として位置づけることです。全区間を等しい基準で拾い、位置と画像を残し、人はその候補リストを効率よく確認する——役割分担をこう組むと、属人化と見落としの両方に効きやすくなります。損傷の最終的な優先度づけや補修判断は、引き続き人が担う前提が現実的だと考えられます。
直線的なひび割れのエッジ検出のように、条件が安定していれば従来型の画像処理でも拾える部分はあります。一方、亀甲状のひび割れ、影や水濡れが混在する路面、路面標示やマンホールとの区別といった「見た目が多様で例外が多い」対象では、学習ベース・VLM的なアプローチのほうが柔軟に効きやすい場面があります。どちらが優れているという話ではなく、対象ごとに向き不向きを見極めて組み合わせる設計が肝心です。撮像・照明・判定を一体で考える発想はAI画像検査パッケージの考え方と共通しています。
画像AIの精度を語る前に、そもそも「損傷が写っている画像」が撮れていなければ話が始まりません。車載での舗装撮影は、屋内の検査ラインと違って光も距離も車速も一定しない、条件が最も厳しい部類の撮像です。ここを軽視して既製のドライブレコーダー映像から始めると、細いひび割れがつぶれて写らず、後工程のAIをどれだけ調整しても拾えない、という壁に当たりがちです。
路面の1画素あたりの分解能（何mm相当か）が、検出できるひび割れの細さを決めます。細いクラックまで拾いたいほど高い分解能が要りますが、走行速度が上がるとブレて情報が失われます。シャッター速度を上げればブレは減りますが露光が不足し、暗い路面が沈みます。つまり「どの太さのひび割れを、どの車速まで拾いたいか」という要求から逆算して、カメラ・レンズ・車速・撮影間隔を決める必要があります。この逆算を飛ばすと、現場で撮り直しを繰り返すことになります。
屋外の自然光は時刻・天候・建物の影で刻々と変わります。太陽光が斜めから当たると、健全な路面の凹凸やアスファルトの目地が影を作り、ひび割れと紛らわしい模様になります。逆に真上からの強い光では路面標示の白線がハレーションを起こします。補助照明を積んで自然光の影響を相対的に下げる、撮影アングルを路面に対して工夫する、といった物理的な対策が、後段のAIの負担を大きく減らします。「元キーエンス画像処理事業部の現場知見×産業用カメラ×現場ライティング」という組み合わせが効くのは、まさにこの撮像設計の領域だと考えています。
舗装損傷の自動検出でつまずきやすいのが誤検知です。実際には損傷でないもの——影、濡れた路面の反射、タイヤ痕、油染み、補修跡、路面標示、マンホールや排水溝の縁、落ち葉や砂——がひび割れやポットホールに見えてしまう。誤検知が多いと「結局すべて人が確認し直す」ことになり、省力化になりません。ここへの向き合い方が、現場で使い物になるかどうかを分けます。
誤検知を減らす方向は大きく二つです。ひとつは前段（撮像）で紛らわしい条件を減らすこと——照明で影を弱める、濡れ路面や逆光の時間帯を避けて巡回する、といった運用の工夫です。もうひとつは後段（判定）で文脈を使うこと——単フレームでなく連続フレームで同じ位置を追い、一瞬だけ現れた反射を除外する、標示やマンホールの位置をあらかじめ地図で持っておき除外領域とする、といった設計です。誤検知はゼロにはできない前提で、「人が確認する候補の数を運用可能な範囲に収める」ことを目標にするのが現実的だと考えられます。
検出を敏感にすればひび割れの見逃しは減りますが、誤検知が増えます。鈍くすれば誤検知は減りますが、初期の損傷を取りこぼします。どちらをどれだけ許容するかは、その道路の重要度・交通量・補修体制によって変わる経営判断です。「見逃しを絶対に減らしたい重要路線」と「まず全体像を粗く掴みたい路線」で閾値を分ける、といった運用設計が、一律の高精度を追うより実践的な場合が多いと考えます。
車載カメラAIの価値は、単発の検出よりも「継続して同じ基準で記録が積み上がる」ことにあります。各巡回の検出結果を位置情報とともに蓄積すると、路線ごとに損傷の分布図が描け、前回との差分から進行の速い箇所が見えてきます。ひび割れが亀甲状に成長している区間、ポットホールが繰り返し発生する区間を可視化できれば、限られた補修予算をどこに投じるかの議論が、勘ではなくデータに基づいて進められるようになります。
地図化・時系列化まで含めた運用の広がりは、道路以外のインフラ点検でも共通します。撮って終わりにせず記録を資産化していく発想はinfrastructure inspection aiでも触れています。ただし、地図化を美しく仕上げること自体が目的化しないよう注意が要ります。あくまで「補修の意思決定と現場作業に使えるか」を基準に、必要な粒度と更新頻度を決めるのが健全です。
AIが挙げた候補を人が確認するワークフローは、負担にならない形に設計する必要があります。全候補を一件ずつ精査するのではなく、深刻度が高そうな候補・進行が速い候補から優先的に確認する、確認結果をAIの改善に還元する、といったループを回せると、運用しながら精度と使い勝手が育っていきます。最初から完璧を求めず、記録と確認を回しながら少しずつ基準をそろえていく姿勢が、定着には欠かせないと考えられます。
車載カメラによる舗装点検は有望ですが、期待だけで進めると足をすくわれます。よくあるつまずきを正直に挙げます。
では何から始めればよいか。おすすめは、いきなり全域展開ではなく、代表的な数路線・数キロメートルを選び、自社の巡回車・車速・想定する天候条件で実際に撮ってみることです。そこで「どの太さのひび割れまで拾えるか」「どんな条件で誤検知が増えるか」「人の確認はどのくらいの量になるか」を、数字ではなく手触りで掴む。この小さな検証が、その後の投資判断の精度を大きく上げます。
この「検査できるか・どう検査するかを小さく確かめる」プロセスは、PoC・検査方式設計の考え方そのものです。撮像条件、車速、照明、対象とする損傷の種類と最小サイズ、許容する見逃しと誤検知のバランス——これらを代表区間で握ってから横展開すれば、後戻りが最小化できます。逆に、この検証を飛ばして一気に全面導入すると、「思ったほど拾えない」「確認工数が想定を超える」という壁に、規模が大きくなってから直面することになりかねません。
車載カメラ×画像AIは、道路パトロールの目視記録が抱える属人化と見落としを、確実に軽くしうる手段だと考えられます。ただし万能ではなく、撮像設計・誤検知対策・人の確認との役割分担を丁寧に組んで初めて現場で機能します。過度な期待でも諦めでもなく、まず自分たちの困りごとを三つに分解し、代表区間で現物を確かめる——その一歩が、遠回りに見えて最も確実だと考えます。
走行しながらの連続撮影で、ひび割れやポットホールの候補を位置情報付きで記録する使い方は現実的だと考えられます。ただし成否は撮像条件（解像度・シャッター・車速・照明）に大きく左右され、細いひび割れの検出可否は路面や条件で変わります。カタログ的な検出率を鵜呑みにせず、自社の現物・現場で確かめることが前提だと考えます。
手軽に始められる利点はありますが、ドラレコは点検用途に最適化されていないことが多く、初期の細いひび割れが写り切らない場合があります。すると後段のAIをいくら調整しても拾えません。まず「どの太さの損傷を拾いたいか」から撮像条件を逆算し、必要な解像度・シャッター・アングルが得られるかを確かめることをおすすめします。
誤検知はゼロにはできない前提で、起きにくくする設計が現実的です。逆光や濡れ路面の時間帯を避ける運用、補助照明で影を弱める撮像、連続フレームで一瞬の反射を除外する判定、標示やマンホールを除外領域として扱う工夫などを組み合わせます。目標は「人が確認する候補数を運用可能な範囲に収めること」だと考えられます。
両者はトレードオフで、検出を敏感にすれば見逃しは減り誤検知が増えます。どちらをどれだけ許容するかは、路線の重要度・交通量・補修体制によって変わる判断です。重要路線は見逃しを抑える設定、全体像を粗く掴みたい路線は誤検知を抑える設定、というように路線ごとに閾値を分ける運用が実践的な場合が多いと考えます。
インフラ点検の効率化やDXに関する支援制度が用意されている場合がありますが、対象要件・金額・公募時期は年度や自治体によって変わります。適用可否や具体的な数値は、所管省庁・自治体の最新の公表資料でご確認ください。制度ありきではなく、まず自分たちの課題と現物検証を先に固めるほうが、結果的に無理のない導入につながると考えられます。
道路舗装のひび割れ・ポットホール検出は、撮像設計と誤検知対策で成否が大きく変わります。いきなり全域展開ではなく、代表的な数路線を自社の車・車速・条件で撮り、拾える損傷と確認工数を現物で確かめるところから。撮像・照明・判定を一体で考える視点でご一緒します。
車載カメラAIの検証について相談する