コンクリート構造物のひび割れ自動検知ひび割れ自動検知の必要性検出処理のパイプラインコンクリートのひび割れは、軽微であればそれ自体がコンクリート構造物の耐久性を損なうものではありませんが、劣化を把握するための主要な指入力データ特徴抽出識別処理認識結果画像データ特徴ベクトル機械学習ひびアリ or ナシ教示標であるとともに、劣化を進行させる原因ともなります。そのため、ひび割れの状態を把握することはインフラ維持管理の基本といえます。実際、自治体や有料道路事業者は、国土交通省に sliding window よるひび割れ発生状況調査要領に基づき、幅 0.2 mm 以上のひび割れを定期点検ごとに記録し管理計画の基本データとしています。 GLAC 特徴抽出 1 5 0 3 2 : 教示ラベル学習データ群 +1: ひびアリー 1: ひびナシコンクリート画像図１　統計的画像特徴抽出と事例学習からの識別による統計的パターン認識アプローチ日本は高度成長期に多くの社会インの目安の一つとされる建設後 50 年を総研で開発した画像中の輝度勾配パ経過する道路や橋などの構造物が、現一般的なひび割れ検知の方法は、撮ターンに着目した GLAC（gradient 状で全体の約 1 割を占め、今後 20 年で影した画像から機械的に読み取れる、 local auto-correlation）特徴抽出法 [1] を 3 ～ 4 割に増加すると言われています。ひび割れを表していると推測される定適用します。これは、ひび割れの“谷” 一方、労働人口は１割程度減少するこ性的なルールを人が設定し、それに基としての形状特徴を表現するのに適しとが予想され、人手にたよった点検作づいていました。例えば、ひびは一般た特徴抽出法で、穴や擦れ、落書きな業が破たんする恐れがあります。また、的に「ほかの画素よりも暗くなる」といどとは異なる特徴パターンとしてひび現在の点検作業自体の効率化や高度化う人の体験による判断基準を計算機で割れの “谷” を抽出できます。（図 2）。も常に望まれていて、利用者への影響分類処理できるように「ピクセルの輝特徴パターンからひび割れのみをを極力抑えるための迅速化や、高い所・度値＜閾値」と置き換えるなど、事前抽出するためには、ひび以外の特徴パ狭い場所などでの安全性の確保などをに人手でひびを判別できると思われるターンを除外する必要があります。そ実現する技術が必要とされています。ルールを用意し検知しています。しかこのような状況に応えるため、ひびし、屋外環境で撮影された画像には、割れを自動で検知する技術の開発に着照明変動などさまざまな変動が反映さ手しました。これまでもカメラを用いれているため、事前に定めたルールだてひび割れを自動で検知するための研けではこれらの変動に対応し切れず見究開発は行われていましたが、人手に落としや誤検知が発生します。そこでよる点検作業の精度と効率に及ぶシス私たちは、①統計的画像特徴抽出と② テムはなく、広く普及するには至って事例学習からの識別による「統計的パいません。ターン認識アプローチ（図 1）」という手法を用いることで、精度の高いひび割れ検知を実現しました。 8 まず①統計的画像特徴抽出では、産統計的パターン認識によるひび割れ検知技術フラを整備したことにより、耐用年数産総研 TODAY 2014-12 このページの記事に関する問い合わせ：知能システム研究部門このページの記事に関する問い合わせ：バイオメディカル研究部門ひび＝谷ひび≠穴図 2　輝度値曲面二つの近傍勾配の特徴パターンが曲率を表す。谷（＝ひび）と穴とでは異なる特徴を示す。 https://unit.aist.go.jp/biomed-ri/ci/index.html https://unit.aist.go.jp/is/ci/index_j.html こで、多数の事例から学習して識別器を構成する機械学習手法として linear SVM[2] を適用します。ここでの事例とは、画像のある領域と、その領域に対するひび割れの有無（教示情報）のペアを指します。学習の目的は、画像から抽出された GLAC 特徴のみからひび割れを高い確率で推定できるような識別器（具体的には線形識別超平面）を構成することです。学習が成功すれば、 GLAC 特徴の中からひび割れと相関の高いものが自動的に抽出され、同時に無関係な特徴の影響は抑制されます。このとき、精度のよい教示情報が付与図３　人手により確認されたひび割れ部分（白いチョークの跡）と自動検知によるひび割れ部分（赤線）の比較白いチョークの跡と赤線がほぼ重なり、精度よくひび割れを検知できたことを示している。されたさまざまな事例をいかに集めるかが課題でしたが、首都高速技術株式会社の協力により、実際に点検作業に計画従事する専門家の手による事例データ実施データ化分析記録展開図形状変化マッピング数値化変化量追跡資料作成目視を得ることができました。これによっ定期点検てさまざまな変動を含む多数の事例に撮影よる学習が行われ、事前にルールを人手で構築することなく、変動に影響さ点検作業フローれないひびの本質的な特徴を自動的に獲得できました。この識別器を用いる開発システムことでさまざまな変動を含む画像からも精度よくひび割れを検知できるよう検索閲覧分析報告になっています（図 3）。点検支援システムへの実装自動検知技術を利用するためのプ位置情報、形状、変化量などの自動抽出、断片情報の統合などの機能の実現ラットフォームとして、実際の点検作業との連携を想定したモニタリングシステムを開発中です（図 4）。このシステムは、現場での点検作業から、経営図４　モニタリングシステム実際の点検作業と連携して使用することを想定している。層などが行うインフラ維持管理の計画策定までを支援することを目的としています。なお、この研究は首都高速技術株式会社の協力をいただき実施しています。参考文献 [1] T. Kobayashi and N. Otsu: Proc. European Conference on Computer Vision (ECCV) , 346-358, (2008). [2] V. Vapnik: Statistical Learning Theory, Wiley, (1998). このページの記事に関する問い合わせ：知能システム研究部門このページの記事に関する問い合わせ：バイオメディカル研究部門知能システム研究部門スマートコミュニケーション研究グループ https://unit.aist.go.jp/biomed-ri/ci/index.html https://unit.aist.go.jp/is/ci/index_j.html こばやしたくみ小林匠ながみたけし永見武司産総研 TODAY 2014- 12 9