コンクリ表面の品質、タブレットでピタリと分かる：情報化施工（5/5 ページ）

[畑陽一郎，BUILT]

ディープラーニングが成果を生む

　評価を下す技術者の経験や知識には依存しなくなったものの、カメラの性能や撮影状況の違いを吸収しにくく、あいまいな状況に評価を下すことができなかったということだ。

　転機は2016年に訪れた。「2016年秋にディープラーニング技術を取り入れた後は、コンクリート診断士の点数と自動評価の結果がよくマッチするようになった（図9）」（科学情報システムズ ソリューション本部ソリューションシステム部で部長を務める武田祐二氏）。

　当初、気泡だと誤認識していたPコン穴も自動判定できるようになったという^＊4）。

＊4） 多数の表面画像を撮影、評価する際には作業手順に注意が必要なのだという。「ディープラーニングで学習させる段階では、撮影画像だけを集めて、後ほど一括評価することは難しい。自ら撮影してその場で評価する必要がある。なぜなら、気泡の実際のサイズを確認できるのは、現場だけだからだ。写真から気泡サイズを把握することは困難だ」（佐原氏）。

図9　学習フェーズと評価フェーズに分かれたディープラーニング技術　図右上のように多数の評価結果に対してコンクリート診断士が正解を与えていくことで学習モデルが更新。評価データを与えた場合に正しい評価を下せるように変化していく（クリックで拡大）　出典：日本国土開発

　武田氏によれば、ディープラーニング技術を今回のような用途に使った例はほぼないのだという。「動物の写真を自動判定するような課題では、個人でも写真データさえあれば、学習を重ねて正確な判定ができるようにできる。今回の開発ではコンクリート診断士の判断が必要であり、これが一般のディープラーニングとの大きな違いだ」（同氏）。コンクリート診断士の地位を低下させるものではなく、持てる力を最大限に発揮させる技術だといえるだろう。

表面のさまざまな不具合を検出、CIMとの連携へ

　コンクリート表層品質評価システムには、発展の余地が大きい。現段階ではコンクリート表面の気泡のみを対象としている。今後は沈みひび割れや打ち重ね線、型枠継ぎ目の砂すじ、面的な砂すじについても評価システムを順次開発していく。

　CIM（Construction Information Modeling）との連携や、自動施工のための制御処理にも生かしたいとした（図10）。

図10　今後の開発方針　出典：日本国土開発