作業時間を10分の1に短縮へ コンクリートひび割れ検出AIを開発

ひび割れ自動検出技術の開発

これまで画像処理などの研究分野において、ひび割れ検出は長年取り組まれてきたテーマであり、様々な手法が提案されてきました。しかしこれらの技術では、様々な環境要因に長く晒され、多様な表面状態を示すコンクリート構造物には対応できませんでした。また、型枠跡やチョーク跡といった、ひび割れではないものを実用レベルまで排除できないため、ほとんどのひび割れ調査が手作業で行われているのが現状です。永見さんは、「ひび割れの研究は古くからあり、論文も多くあります。ただしこれらは実験室で行われたもので、外にある多様な環境条件下のひび割れに対しては使えませんでした」と語ります。
開発目標は、ひび割れを見落とさずに、ひび割れ以外の事象の誤検出も極力抑えることでした。そこで注目したのは、ひび割れ特有の谷形状でした。抽出した特徴パターンを機械学習させることで、ひび割れ検出を行う技術の開発を目指しました。

日本各地から取得した学習データ

具体的には、ひび割れを撮影した画像に対し、人（専門家）がひび割れ箇所をトレースして教師データとして用い、入力画像からひび割れを特定するための特徴抽出を行います。そして特徴パターンからひび割れの有無をAIが判定することを目指しました（図１）。実データを用いて学習することで、ルールを規定して外乱除去などの処理をすることなく、様々な実環境に対して対応可能な検出AIを実現しました。従来のソフトと比較して圧倒的に高精度な自動検出を可能にした大きな理由が、優れた学習用データの収集です。学習用データを収集するため、日本各地の様々なコンクリート構造物のひび割れを撮影し、トレースすることで教師データとすることにしました。

図１　本研究開発で用いている検出プロセス（資料提供：産業技術総合研究所）

「学習用データを集めるのは大変でした。北海道などの寒い地域、沖縄の海沿いなど様々な条件下で収集しました。エリアマップを手掛かりに写真を撮らせて下さいと交渉を重ねていきました」と遠藤さんは当時の苦労を明かします。

また学習用データを取得するために、次の二つの内容を実施しました。
一つ目は、発生原因別のひび割れ写真の取得です。ひび割れ発生の原因には乾燥収縮、アルカリシリカ反応（コンクリート中の水酸化アルカリと砂利や砂といった特定の反応性骨材に含まれる成分が反応することで、生成されるアルカリシリカゲルが吸水膨張することでひび割れを引き起こすもの）、凍結融解作用、塩化物の浸透、コンクリートの中性化、コンクリートの疲労、耐力不足などがあります。これらの発生原因に左右されずに、高精度でひび割れを自動検出するためには、様々な要因によって損傷を受けた構造物を対象に撮影しデータを取得することが不可欠でした。
二つ目は、ひび割れの特徴の教示です。従来のひび割れ検出システムで誤検出する表面変状は、チョーク跡、型枠跡、表面気泡（あばた）などがあります。これらの表面変状とひび割れを大別し、それぞれをトレースして教師データを作成することも必要でした。
「学習用データは10,000枚集めました。その中からまず4,000枚を選別し、最終的に2,000枚を採用して教師データを作成しました」（遠藤さん）

再現率と適合率という二つの切り口

本開発では、ひび割れではない箇所を検出しないという技術にも力を注ぎました。そのためチョーク跡や他の要素とひび割れの違いを突き詰めていきました。具体的には、取得した画像をミクロなレベルで判断することによって、ひび割れ独自の特徴を学習していきました。そして道路構造物の形状など様々な関係性をもとに検証し、良いデータと良い特徴の抽出、AIのアルゴリズムの三面でクリアしていきました。

学習済みのデータを用いて、ひび割れを自動的に検出した結果、検出精度は幅0.2mm以上のひび割れに対して82.4％となり、実用化の目安である80％以上をクリアしました。
従来のひび割れ検出の画像解析技術は誤検出が多く、検出精度は12％程度でした（写真3）。
今回、なぜ競合優位性である精度を上げることができたのか。その理由について永見さんは、「開発では“再現率（ひび割れを見落とさない率）”と“適合率（正しく検出する率）”という２つの切り口から改善していきました。感度が高すぎてもだめだし、感度が低すぎてもだめ。ユーザー視点で最適な落としどころを探しました」と開発の舞台裏を明かします。

写真3　（左）本プロジェクトAIの自動検出結果イメージ
（右）従来ソフトの自動検出結果イメージ（型枠跡をひび割れだと誤検出している）（資料提供：首都高技術）

パノラマ合成技術の開発

道路構造物は大きい規模のものが多く、全体を写真データで理解することが困難な一方で、ひび割れを自動検出するには細部まで画素数の高いデータを必要としました。そこで考えたのが、ひび割れ自動検出技術を大きなコンクリート構造物で使用するためのパノラマ合成です。

本開発におけるパノラマ合成は、特徴の少ないコンクリートの断片画像から対応点を自動で検出し、高速で合成させる技術です。これにより構造物全体を一つの高精度な画像として記録することが可能となり、損傷がどのように分布しているかなど、容易に把握することができます。一般的なパノラマ合成は画像のつなぎ目をぼかして合成しますが、本開発におけるパノラマ合成では各画像に共通する対応点を多数検出し、特徴の少ないコンクリート面でも高精度でパノラマ画像を合成することが可能となりました。永見さんは、その成果について「100枚程度の別の写真を一枚の大きな写真に合成することができます。この技術を開発したことによって、解像度が高い１つずつの詳細画像をつなぎあわせて、解像度が高い俯瞰画像を作ることができます」と手応えを語ります（写真４）。

写真４　高解像度の写真をつなぎ合わせて一枚にするパノラマ合成技術（資料提供：産業技術総合研究所）

作業時間を従来の10分の１に削減

表面に汚れや傷がある状態でもコンクリートのひび割れを80％以上という実用レベルの精度で自動検出できる技術によって、今後、点検作業におけるひび割れの記録にかかる時間は従来の10分の1に削減できると見られています。
現状、点検作業は点検技術者が全て手作業で行っているため、1日の総作業時間が5時間にも及ぶことも珍しくありません。ところが、AIシステムを活用した場合、検出、記録を自動化すると、手書きのスケッチとCADデータ作成の手間を省くことができます。撮影した写真の上に検出したひび割れを表示させ、そのままCADデータとして出力することが可能となります。従来であればスケッチなどに不備があった場合に再度現場確認を行う必要がありましたが、今回開発した技術を用いるとその場で確認ができるので、作業の手戻りを省くことができます。これによって点検にかかる時間は10分の１の約30分まで短縮できる見込みです。また、現行の点検業務に円滑に導入されるように、点検技術者の行動や携行機材の変更は最小限に留めることとし、撮影はデジタルカメラを手持ちで行うことを想定しました。撮影した点検現場でひび割れ検出が行え、結果がすぐに確認出来るシステムを実現したのです。

「NEDOプロジェクトは事業の実用化を重要視しており、首都高技術が最初から参加していたのでユーザー目線で開発を行えました。特に処理時間や速度は重視しました」（永見さん）

今回、実用化に成功したことについて久田さんは、「スタート時からソリューションが明確でした。NEDOによって実用化を達成するためのノウハウを共有してもらいました。世の中に役立つ大学の研究は沢山あるんだと気づかされました」と話します。 今後は熟練点検技術者の確保が難しい地方をはじめ、橋梁の老朽化が急増すると予測される全国の点検作業での活用が期待されています。