インフラ維持管理にAIを活用する方法論と最新動向、立命館大・野村教授の講演から：インフラメンテナンス×AI（1）（3/3 ページ）

国内の土木分野では、インフラの老朽化という喫緊の課題が差し迫っており、例えば道路橋では建設後50年に達するものが6割にも及ぶとされている。建設業界での慢性的な人手不足の解消と、必要とされる事後保全から予防保全への転換で必須とされる新技術と期待されるのが「AI」だ。土木学会とインフラメンテナンス国民会議のシンポジウムから、インフラメンテナンス領域でのAI活用の最新動向を追った。

[石原忍，BUILT]

発表論文は、1入力1出力のAI学習が多い傾向

立命館大学 野村泰稔教授

　俯瞰的に発表論文をみると、基本的には1入力1出力の学習が多く、使用するシステムは複数の実績があるものから、いくつかから選定していていたり、独自に構築されていたりしているものがあった。

　同時に複数の技術を併用しているものもみられ、一例を挙げると、画像からレール継ぎ目部を検出（物体検出）し、検出されたレール継ぎ目部に対して、ボルトが脱落しているかを確認（画像認識）。

　他にも、特殊車両で走行しながら撮影した写真から、ひび割れの有無を判定（画像認識）して、ひびの有るところの本数を評価（画像認識）する技術や、SfM技術で3次元モデルを作成して損傷の検出やセグメンテーションを行い、点検記録を3Dで管理するというものがあった。

　さらに画像の中からコンクリートのみを対象にして、セグメンテーションでその領域に対しひび割れを検出。最後にひび割れ位置を示した複数画像から、SfMで被写体を3次元モデル化し、点検記録を管理するという手法も紹介された。ひび割れの検出は、通常は「色調で判断するため、影の写り込みなど誤検出が多々あるが、コンクリ領域のみを対象とすることで、格段に精度が上がる」（野村氏）。

　教師データが不均衡な場合は、そのまま訓練データに用いてしまうと深刻な性能低下につながるが、異常検知タスクでは正常データに比べ、異常データの取得は困難なことが多い。そこで、データ数の調整を行わずに不均衡データをそのまま学習に利用できる機械学習モデル「rankSVM」を使用する。別の対策では、深層学習ライブラリ「keras」には、学習時にデータ数の希少なクラスを失ったとき、ペナルティを課すことも用意されている※2。

※2　keras：https://keras.io/ja/models/sequential/

　最後に野村氏は、AI／深層学習をインフラメンテナンスに活用するためには、「点検結果の蓄積だけでは、診断までにはつながらないため、補完するモニタリングとの融合など、維持管理の戦略を最適化すべきだ」と提言した。