外壁クラック検出 × TypeSafe Jev × Codex

設計上の重要原則

外壁クラック判定 ＆ 安全ルールエンジン連動シミュレーター

ひび割れの計測値（幅や確信度）をスライダーで動かしてみてください。Jevの推論判断と、安全基準（幅0.5mm以上で強制発動）を担うルールエンジンの動作がリアルタイムで連動します。

Codexで構築する外壁検査システム

Codexは「判定モデル」ではなく、コード生成・実行・テスト・評価・失敗解析・保守を担当する開発エージェントとして配置します。

各レイヤーの責務分離

推奨リポジトリ構成

wall-inspector/
├── AGENTS.md                 # エージェント用指示書（安全・評価ルール定義）
├── README.md                 # プロジェクト概要
├── pyproject.toml            # 依存関係管理
├── .env.example              # 環境変数テンプレート
├── Dockerfile                # コンテナ実行環境
├── configs/                  # 設定ファイル群
│   ├── model.yaml            # Visionモデル構成
│   ├── thresholds.yaml       # 安全閾値ルール
│   └── jev.yaml              # Jev意思決定設定
├── src/wall_inspector/       # 実装コード本体
│   ├── cli.py                # コマンドライン実行インターフェース
│   ├── ingest.py             # 画像取り込み
│   ├── preprocess.py         # 前処理・品質確認
│   ├── tiling.py             # オーバーラップ付きタイル分割
│   ├── vision/               # 画像解析モジュール
│   │   ├── crack_segmentation.py  # クラックセグメンテーション
│   │   ├── anomaly_detection.py   # 未知異常検出
│   │   └── postprocess.py         # 後処理
│   ├── measurement/          # 幾何計測モジュール
│   │   ├── skeleton.py       # 骨格化（細線化）
│   │   ├── width.py          # クラック幅算出
│   │   ├── length.py         # 長さ計測
│   │   └── geometry.py       # 座標変換・方向解析
│   ├── decision/             # 意思決定モジュール
│   │   ├── features.py       # 特徴量抽出・集約
│   │   ├── jev_client.py     # Jev推論連携クライアント
│   │   ├── rules.py          # 確定ルールエンジン（安全基準）
│   │   └── decision.py       # 総合判定制御
│   ├── reporting/            # 出力モジュール
│   │   ├── overlay.py        # 画像オーバーレイ描画
│   │   ├── json_report.py    # JSON帳票出力
│   │   └── html_report.py    # HTML点検報告書出力
│   └── schemas/              # データスキーマ定義
│       ├── detection.py      # Vision検出スキーマ
│       └── inspection.py     # 検査結果スキーマ
├── tests/                    # 単体・結合テスト
├── eval/                     # 精度評価用データセットとEvalスクリプト
└── runs/                     # 実行結果・ログ保存

AGENTS.md で固定する開発ルール

# システムアーキテクチャ
画像入力 -> 前処理 -> セグメンテーション -> 異常検出
-> 幾何計測 -> 構造化特徴量 -> Jev判定 -> 確定ルール -> 報告書出力

# 安全ルール（Safety）
- キャリブレーション情報がない場合、実寸(mm)を推測してはならない。
- Jevの推論判断は、確定ルール（Rule Engine）を上書きしてはならない。
- 低確信度(Low Confidence)の判定は、必ず human_review=True とする。

# 評価プロセス（Evaluation）
- 単体テスト（Unit Tests）を実行すること。
- 結合テスト（Integration Tests）を実行すること。
- 評価データセット（Eval Dataset）を実行し、指標の変化を報告すること。

共通Feature Schema（中間データ構造）

{
  "surface": "painted_concrete",
  "crack": {
    "probability": 0.91,
    "length_mm": 684.3,
    "width_median_mm": 0.34,
    "width_max_mm": 0.72,
    "orientation_deg": 71.2,
    "branch_count": 4
  },
  "anomaly": { "score": 0.73 },
  "context": {
    "near_window": true,
    "near_joint": false,
    "near_pipe": false
  },
  "capture": {
    "blur": 0.08,
    "resolution_ok": true
  }
}

確定ルールエンジン（Rule Engine）のコード例

会社基準や法定基準のように明確な条件は、JevではなくPythonコードで確定的に固定します。

# 確定ルールエンジンの適用例
if max_width_mm is not None and max_width_mm >= 0.5:
    human_review = True
    priority = "HIGH"
    reasons.append("max_width_threshold_exceeded")  # 安全基準超過

Codexによる自律開発ループ

YOLO-Seg / U-Net / DeepLabV3+ の詳細比較

3つのモデルは同じ「セグメンテーション」に属しますが、インスタンス管理・細線復元・広域コンテキストという強みがそれぞれ異なります。

モデル特性の比較表

各モデルの内部アーキテクチャ概要

Visionモデル（U-Net / DeepLabV3+ / YOLO-Seg）内部アーキテクチャ比較図

学習データ形式の比較

クラック特有の損失関数（Loss）設計

クラックピクセルは背景全体に対して0.1%未満と極めて少ないため、単純な正解率（Accuracy）では「すべて正常」と判定しても99.9%の精度が出てしまい評価が歪みます。見逃し（False Negative）を厳しく罰する損失関数を設計します。

推奨されるPoC比較フロー

同一評価データセットによる3モデル（YOLO-Seg / U-Net / DeepLabV3+）比較フロー図

精密抽出の基準モデルとして「U-Net」を採用し、速度比較に「YOLO-Seg」、誤検知抑制の比較対象に「DeepLabV3+」を配置する設計が最も堅実です。

費用構造とアノテーション試算

AIシステム開発における最大コストは、クラウド利用料やAI APIではなく、「教師データのアノテーション（正解作成）作業」と「専門家による品質レビュー」です。GPU費用やJevの通信コストは、PoC段階では比較的小さく抑えられます。

各工程における費用の重み

モデル別のライセンスとハードウェア費用

アノテーション費用シミュレーション

■ Mask作成作業（一般作業者）
300枚 × 10分/枚 = 3,000分 = 50時間
50時間 × 3,000円/時 = 150,000円

■ 専門家QA・品質承認
300枚 × 3分/枚 = 15時間
15時間 × 6,000円/時 = 90,000円

━━━━━━━━━━━━━━━━━━━━
合計概算 ≈ 約 240,000 円

■ Mask作成作業（一般作業者）
1,000枚 × 10分/枚 = 166.7時間
166.7時間 × 3,000円/時 = 約 500,000円

■ 専門家QA・品質承認
1,000枚 × 3分/枚 = 50時間
50時間 × 6,000円/時 = 300,000円

━━━━━━━━━━━━━━━━━━━━
合計概算 ≈ 約 800,000 円

費用を大幅に抑える4つのアプローチ

学習コストとPoCロードマップ

外壁検査AIでは「何万枚集めるか」よりも、「どれだけ多様な難例（目地・影・汚れ）を含め、高品質な正解Maskを作れるか」が成功の分かれ道です。

アノテーション作業種別によるコストの差

推奨される初期データセット構成（約350枚）

「簡単なひび割れ画像ばかりを300枚」集めるより、誤検知しやすい紛らわしいパターンを意図的に組み込むことがAIの頑健性を高めます。

段階的学習（Human-in-the-loop）のサイクル

Active Learning（能動学習）の仕組み

全画像を均等に人手アノテーションするのではなく、AIの判定確信度をスコアリングし、AIが判断に迷っているボーダーラインのサンプルを優先的にラベル付けします。

Confidence 0.99（ほぼ確実）      ──> 人手アノテーションは後回し（コスト削減）
Confidence 0.96（ほぼ確実）      ──> 人手アノテーションは後回し
Confidence 0.52（判断に迷っている） ──> ★ 優先して人間がアノテーション
Confidence 0.49（判断に迷っている） ──> ★ 優先して人間がアノテーション
Confidence 0.61（判断に迷っている） ──> ★ 優先して人間がアノテーション

この手法により、3,000枚をすべて手作業で塗るのと同等の精度を、わずか800〜1,000枚程度の作業量で達成できます。

PoCロードマップ（5段階ステップ）

本番導入までの予算レンジの目安

高解像度ドローン外壁点検データセット ＆ 物理定量化技術資料

高層建築物の外壁点検における「2Dピクセル情報」から「現実の物理寸法（mm, m, m²）」への精密換算原理、等距離撮影アルゴリズム、AIセグメンテーション（CUBIT-InSeg）、およびデジタルツイン健全性評価（SI）に関する包括的な研究リソース集です。

収録リソース一覧

ドローンとAIの外壁欠陥評価データセット（高解像度インフォグラフィック）

撮影ドローンからAIセグメンテーション、幾何特徴量抽出、健全性評価までの統合データセット構成を示した高解像度インフォグラフィックです。

クリックで原寸高解像度画像（2752×1536）を開きます / ダウンロード可能

画像を直接ダウンロード (5.3 MB)

技術レポート詳解（レポート.md より）

本稿のコア・サマリー： 単に画像上でひび割れが見えることと、修繕工事の手配ができることの間には大きな隔たりがあります。ドローンによる「等距離撮影」で定数GSDを確保し、AIマスクから幾何学的に「幅(mm)・長さ(m)・剥離面積(m²)」を導出し、デジタルツイン上で健全性指標（SI）として集約することで、初めて客観的な自動修繕判断が可能になります。

第1章：イントロダクション（なぜピクセルから物理寸法への変換が必要か？）

従来の2D画像認識は「ひび割れや剥離の画素領域（2Dマスク）」を塗るにとどまっていました。しかし、実効的な修繕計画を立てるには「幅0.5mm以上か」「剥離面積は何m²か」という物理寸法が不可欠です。

比較項目	従来型 2D画像認識の課題	物理量定量化（本技術のゴール）
出力形式	画像空間上の2Dピクセル（マスク・枠）	実空間の物理単位（mm, m, m²）
評価内容	損傷の定性的な有無判定	損傷幾何形状の客観的定量測定
現場での活用	目視確認の補助（危険度判定には不十分）	国際保全規格に準拠した自動意思決定

第2章：地上画素寸法（GSD）と等距離撮影の原理

画像上の1ピクセルが実空間の何ミリに相当するかを示す指標を地上画素寸法（GSD: Ground Sample Distance）と呼びます。光学のピンホールカメラモデルから次式で求められます。

GSD [mm/pixel] = (d_target / f) × δ_p

d_target : スタンドオフ距離（壁面までの垂直目標距離 [mm]）
f : カメラの焦点距離 [mm]
δ_p : センサのピクセルピッチ [mm/pixel]

【計算例】 スタンドオフ距離 10m (10,000mm)、焦点距離 24mm、センサピクセルピッチ 2.4μm (0.0024mm) の場合：
GSD = (10,000 / 24) × 0.0024 = 1.0 mm/pixel（1ピクセルが 1.0mm × 1.0mm に完全対応）。

【撮影距離のズレが計測精度に与える影響（感度分析）】

• ひび割れ幅の誤差（1次線形）: 距離偏差が ±5% 生じると、ひび割れ幅の誤差もそのまま ±5.0% となります。
• 剥離面積の誤差（2次形式）: 面積は寸法の2乗に比例するため、距離偏差が +5% のとき面積誤差は +10.25%、+10% のとき +21.0% へと拡大します。

このため、ドローンが常に一定距離を保って飛行する「等距離撮影（Equal-Distance Imaging）」が計測精度の生命線となります。

第3章：損傷タイプ別の物理量算出メカニズム

AI損傷マスクから幾何学的物理寸法（ひび割れ幅・長さ・剥離面積）を導出する計算フロー図

1. ひび割れの骨格化と直交法線計測：スケルトンの局所進行方向に対して直角な法線ベクトル（R_90°）を計算し、斜め計測による幅の過大評価を防止。法線方向の連続ピクセル数 × GSD で物理幅（mm）を決定。
2. 剥離面積と形状指標：総ピクセル数 × GSD² で実面積（m²）を算定。外接矩形のアスペクト比や円形度から損傷の伸展傾向を評価。

第4章：デジタルツイン（DT）統合と健全性評価指標（SI）

画像単位で計測された物理データは、建築部材（柱・梁・壁パネル）ごとに集約され、国際規格（BS ISO 15686-7:2017）に準拠した健全性指標（Severity Index: SI）へ統合されます。

SI(E_j) = α_L × L̃_C + α_W × W̃_{C,eff} + β_S × Ã_S

L̃_C : 正規化ひび割れ総延長
W̃_{C,eff}: 実効ひび割れ幅（ピクセルノイズ抑制のため対数マッピングを適用）
Ã_S : 正規化剥離面積
重み付け: α_L > α_W（局所的な開口幅よりも、部材全体への進展・長さの方が漏水・構造リスクを正しく表すため）

健全性レベル	SI の範囲	ひび割れ・損傷の程度	推奨アクション
Low（軽微）	SI < 0.25	短く孤立したひび割れ（≦0.5m）、微小開口	定期的な経過観察（Routine monitoring）
Moderate（中程度）	0.25 ≦ SI < 0.50	複数のひび割れまたは中程度の進展	予防的修繕計画の立案（Preventive repair）
Severe（重度）	0.50 ≦ SI < 0.75	連続したひび割れパターン、大きな開口	急を要するメンテナンス実施（Urgent maintenance）
Critical（危険）	SI ≧ 0.75	外壁全体に及ぶ広範なひび割れ、剥落危険	即時対応および安全対策の講じ（Immediate action）