> コラム > 最先端AIでインフラ設備の保守点検業務の効率化を実現した成功事例

最先端AIでインフラ設備の保守点検業務の効率化を実現した成功事例

日本のインフラ設備の維持が近い将来に危機的状況を迎えるということが懸念されている。背景には、建造から築50年を経た橋梁・道路・トンネル・建築物など、基幹インフラ設備の老朽化の進行があり、これを補修保全するにも少子高齢化の影響により熟練労働者の確保が難しくなってきたことが挙げられる。エネルギー産業分野においては熟練技術者が2025年に大量に引退することがきっかけとなり、人材・技術継承者不足が大きな社会課題になっている。

このような課題を解決する手段として期待されるのが、ICT分野, IoT/ AI技術などを活用したインフラ設備点検の効率化だ。AIの開発を手掛けるAutomagiはインフラ設備点検を効率化するための画像映像解析AIを開発、大手電力会社や自治体などに次々と導入が決まっている。目視点検を人の目からAIに置き換えることで、外観検査の省力化・自動化を実現し、インフラ設備の点検を強力にサポートする最新技術とは。

※インフラ設備点検AIの詳細資料について、環境ビジネスオンライン限定で無料公開しています。こちら、もしくは文末より資料ダウンロードできます。

※ダウンロードされた読者様限定で、AI画像解析システム 1カ月間の無料トライアルの権限を付与いたします。

ダウンロード資料イメージ
▲資料がダウンロードできます

精度の高いAI画像解析を活かす

1950年代からの高度経済成長期に集中的に整備され、今後急速に老朽化するインフラのメンテナンスが大きな課題となっている。2012年に中央道・笹子トンネル(山梨県)の天井板崩落事故がニュースとなったが、今後20年間で、建設から50年以上経過する施設の割合が加速度的に高くなる。つまり、これから一斉に老朽化するインフラを戦略的に維持管理・改修していくことが、喫緊の課題だ。

Automagi AIビジネス部 副部長 相馬 徹太郎氏

Automagi AIビジネス部 副部長
相馬 徹太郎氏

これまで人が行なってきたインフラ点検。人口減少、少子高齢化が進むなか、点検技術を持つ人材の不足が大きな問題だ。AutomagiのAIビジネス部 副部長 相馬 徹太郎氏は「インフラ点検において、人に代わる、あるいは人を支援するソリューションとして開発したのが『AMY InfraChecker(エイミー・インフラチェッカー)』です」と話す。

2010年に創業したAutomagiは、自社開発のAI技術など、最新のテクノロジーを活用し、企業の課題を解決するプロフェッショナル集団。AIソリューションとして2016年に独自開発した『AMY(エイミー)』は、画像・映像解析、自然言語解析、データ解析の分野でさまざまなサービスを提供する。

「AI技術の中でも画像認識技術の伸びは著しく、画像の認識率は人よりも高精度で、人では見分けられないものまで見分けられるようになっています」と相馬氏。日進月歩で精度の高まるAI画像認識技術をインフラ点検の省力化のために活かそうと、2019年に開発したソリューションが『AMY InfraChecker』だ。相馬氏は「インフラの一次点検の大半は、人による目視です。この部分を省力化・サポートすることで、人材不足の課題を解決するとともに、大きなコストカット、安全性の向上にも貢献できると考えています」と話す。

再現率は97.66% インフラや設備の『サビ検知』

電力:鉄塔

電力:鉄塔
画像クリックで拡大

ガス・製造:プラント

ガス・製造:プラント
画像クリックで拡大

鉄道・公共:橋梁

鉄道・公共:橋梁
画像クリックで拡大

『AMY InfraChecker』は深層学習(Deep Learning)などのAIおよび最先端高度技術を活用し、インフラ設備の外観検査を省力化・自動化するソリューション。ドローンや定点カメラなど、さまざまな機器から撮影されたインフラや設備の画像・映像を解析し、劣化度を判定、スコアリングする。

「AI診断というと、二次点検の細かい部分まで全てAIがやってくれると思われがちですが、我々の提供するAIは、あくまで人の目の代わり。インフラ点検において多くのボリュームを占める一次外観検査の省力化・自動化です」と相馬氏。

特長としては大きく3つある。1つは、大量の画像を自動で判定し、劣化度順にランク付けすることで、二次点検や補修の優先順位を素早く的確に判断することができること。2つ目は、一定の基準に基づきAIが劣化度を識別することで、点検者の技術レベルによる判定のバラつきを解消する。そして3つ目は、運用を通して学習を重ねることで、より精度の高い、企業ごとの独自基準に特化した解析も可能になること。

判定対象は現在、サビ、クラック、計量器の針の角度、鳥の巣、塗装剥がれ、塗膜の浮き、漏油・漏水などが実装されている。特にサビ検知は再現率97.66%で精度が高い。劣化の進行度に応じた劣化レベルの表現が可能で、さらに、対象物における腐食領域率を的確に算出する独自手法(特許申請済)により、客観的で正確な判定スコアリングを実現している。

「サビについてはかなり高い精度で検出できるため、膨大な送電鉄塔などの設備点検・保守が必要な、通信・エネルギー分野などから引き合いをいただいています」

導入事例(1)東京電力パワーグリッド

実際の導入事例としては、東京電力パワーグリッドがある。日本の電力供給量の約1/3を担う同社では、約45,000基の送電鉄塔を定期的に点検・保守している。その作業量は、年間約1,200基に及ぶ。

対象物を検出するAIを組み合わせ、画面上のサビ面積比の推定算出が可能

対象物を検出するAIを組み合わせ、画面上のサビ面積比の推定算出が可能
画像クリックで拡大

これまで、送電鉄塔の劣化状況の点検はベテラン社員が鉄塔に登り、目視で行なってきた。5段階で分類するサビの判断には個人差があり、点検員が鉄塔に登るリスクの軽減や作業時間の短縮が課題となってきた。同社では、送電鉄塔の劣化を診断する業務の効率化と、より安全で正確な判断を実現するため、AutomagiのAIを導入。空撮性能に優れたドローンと画像解析に長けたAIを組み合わせることで、インフラ診断の効率化と高精度化を実現する。

導入事例(2)クボタ機工

その他の導入事例として、全国の河川ポンプを管理保全するクボタ機工と共同で、業界初となる排水機場の河川ポンプ内のサビをAIが検知するツールを開発。同社がこれまで点検した動画データをもとに教師データを作成、画像や動画からポンプ内のサビを高精度で検知し劣化レベルをスコア化する、オリジナルのツールを構築した。

排水機場の河川ポンプ内

排水機場の河川ポンプ内
画像クリックで拡大

導入事例(3)千葉県君津市

自治体との連携では、千葉県君津市の「無人航空機の橋梁点検の実証実験」に参画した。地方自治体にとって、社会インフラの維持管理は大きな課題。同実証実験ではドローンを活用した橋梁点検による、人的・時間的コスト削減、人手不足の解消につながる効果の確認ができた。今後も更なる連携により精度向上を目指していきたい。

橋梁ひび割れ(クラック)

橋梁ひび割れ(クラック)
画像クリックで拡大

鉄橋サビ

鉄橋サビ
画像クリックで拡大

『AMY InfraChecker』の導入においては、3カ月間の試験利用を経た後、共通サーバーを使用し低額でサービスを利用できる『ベーシックプラン』と、専用サーバーを用意し追加学習によって各社独自の劣化検知を作り上げていく『カスタムプラン』を選ぶことができる。

「一口にサビやヒビと言っても、業種により検出したい劣化現象はさまざまです。追加学習をさせていくことで、その企業、業界に寄せたオリジナルのAIを作ることができます。そうすれば、その企業の同業者に対しビジネス展開していくことも可能です。我々のエンジンでぜひ共同ビジネスを、という提案もしています」

Automagiでは、この10月、『AMY InfraChecker』のトライアルを予定している。興味のある方はぜひ、試していただきたい。

【資料ダウンロードはこちら】ダウンロード資料イメージダウンロードはこちら

Automagi株式会社
東京都新宿区西新宿3-20-2
東京オペラシティタワー28階
TEL:03‐5333-6710

関連カテゴリ

会社案内 | 利用規約 | プライバシーポリシー | 特定商取引法に基づく表示

Copyright © 2021 日本ビジネス出版. All rights reserved.