今後の人口減少を鑑みると、ロボットによる検査の自動化だけではなく、検査結果から欠陥の有無の判断まで、ある程度は機械が担うことが求められます。そこで、AIの活用を考えました。
ただし、AIの判断には、その根拠がわからない「ブラックボックス問題」があります。後ほど詳しく説明しますが、この問題を解決するための技術も開発したうえで、AIの構築を進めていきました。
群馬大学
斎藤 隆泰准教授
Takahiro Saitoh
今後の人口減少を鑑みると、ロボットによる検査の自動化だけではなく、検査結果から欠陥の有無の判断まで、ある程度は機械が担うことが求められます。そこで、AIの活用を考えました。
ただし、AIの判断には、その根拠がわからない「ブラックボックス問題」があります。後ほど詳しく説明しますが、この問題を解決するための技術も開発したうえで、AIの構築を進めていきました。
いいえ。医療分野ではさまざまな疾患の画像がデータベース化されていますが、非破壊検査にはデータベースがありません。構造物や材料によっても波形が異なりますし、土木分野、航空宇宙分野、原子力発電所など、データの規格も業界によってバラバラです。何より「欠陥あり」のデータが存在しても、それを提供してもらうことは困難です。
そのため、データをいちから作る必要がありました。ただし、実測データを大量に作るのではなく、シミュレーションを用いて2種類のデータを用意しました。
欠陥の位置や大きさが異なる100パターンの実測データを作るためには、100個の試験体を用意し、実験を100回実施しなくてはいけません。しかしシミュレーションであれば、欠陥の位置や大きさ等のパラメータを変更するだけで、多様なパターンのデータを得ることができます。
ただし、シミュレーション結果はノイズのない理想的な形ですが、実験から得たデータには特有のノイズが入っています。そのため、最初は2種類のデータを用いた学習がうまくいきませんでした。そこで、生成AI技術を用いてシミュレーションデータにあえてノイズを付加し、実測データに近づけたところ、良好な結果が出るようになりました。
さらに、このAIの精度を評価するため、実測データのみで学習したAI、シミュレーションデータ+実測データで学習したAI、提案手法(ノイズをかけたシミュレーションデータ+実測データ)で学習したAIで、判定結果を比較しました。すると、提案手法で学習したAIが、早い段階で正確に欠陥を判定できることがわかりました。
現在はこれらの研究成果をもとに、選考委員からご要望をいただいた、コンクリートを対象としたシステム開発を進めているところです。