| Project/Area Number |
24K14987
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61010:Perceptual information processing-related
|
|---|
| Research Institution | Utsunomiya University |
|---|
Principal Investigator |
小池 正史 宇都宮大学, 工学部, 教授 (10447279)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
伊藤 篤 中央大学, 経済学部, 教授 (80500074)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000)
Fiscal Year 2026: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | 打音検査 / 深層学習 / 機械学習 |
|---|
| Outline of Research at the Start |
インフラや建築物外壁の点検では，コンクリートやタイルを打診棒等で擦って異常を探る「打音検査」が行われる．簡便で確立した検査法だが熟練点検員の不足から技術革新が求められ，打音判定の自動化やAI化の研究，製品化が進められている．しかし近年，建築物外壁タイルでは，打音判定が難しい接着剤張りが標準化して新たな問題を生んでいる．本研究では，この「小さな異常を見出す」という課題にAI技術で取り組む．接着剤張りタイルの試験体の打音データを系統的に収集し，畳み込みニューラルネットワークによる深層学習および転移学習を用いて，高精度での打音判定を目指す．これによりAI打音判定システムの基礎技術を構築する．
|
| Outline of Annual Research Achievements |
1. 有機系接着剤でタイルを接着した試験体を打診棒で擦過する実験を行い，擦過音を録音・録画した．タイルの接着率は100%，80%，60%，0%の4種類とし，打診棒は頭部直径が17mmと21mmの2種類で実験した．接着率100%および80%の音データを「良」（剥離なし），60%および0%の音データを「不良」（剥離あり）と定め，ニューラルネットワークに学習させて打音を2値分類する深層学習モデルを構築した．これらの学習モデルを用い，別に用意した試験打音から剥離の有無を判定して正答率を調べた．学習モデル構築に用いた打診棒と試験打音の打診棒が一致している場合の正答率は95%以上で，両者が一致しない場合であっても正答率は89%以上であった．これにより，有機系接着剤張りタイルであっても打音から剥離の有無を判定しうることと，得られた学習モデルは打診棒の違いに対する汎化性能を持つという結果を得た．
2. 汎化性能をさらに検証するため，学習データを削減し，接着率100%（「剥離なし」）と0%（「剥離あり」）の音データだけで学習モデルを構築し，80%および60%の音データを含めた試験打音の2値分類を行った．この場合の正答率は低い場合で50%-70%に下がることもあった．
3. 打音を良・不良に2値分類する実験に加え，打音を4種の接着率ごとに多クラス分類する学習モデルも構築した．このモデルによる試験打音の分類の正答率は77%以上で，接着状態の良不良だけでなく剥離度を判定する可能性も示せた．
4. これまでの実験の実施方法では，打音を一度録音し，その音データを事後的に処理して，学習モデル作成と判定を行なっているが，打音検査の現場での利用を踏まえると，マイクロフォンから収集した打音を逐次判定していくことが望ましい．これを視野に入れ，音響データを判定システムに逐次送信する方法の予備的検討に着手した．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
接着剤張りタイルの打音を用いた深層学習モデルを構築することができた．それを用いて接着状態の良・不良を判定する実験を実施した．その結果，95%以上の精度で良・不良を判定することができた．学習用の打音データを採集した打診棒と，判定用の打音データを最終する打診棒が異なる場合でも概ね90%以上の精度で良・不良を判定でき，基本的な汎化性能があることを確かめられた．
|
| Strategy for Future Research Activity |
1年目の研究で，有機接着剤で接着したタイルの打音から，良・不良の2値分類のほか，4種類の接着率の多クラス分類の可能性も見出したが，汎化性能や多様なタイルへの対応や，ポータブルデバイスへの応用などでは課題も多い．
今後はまず，試験体を拡充し，学習モデルの性能向上と多クラス分類を進める．これまで使用してきた試験体の接着率は100%，80%，60%，0%の4種である．このうち100%と80%を「良」，60%と0%を「不良」としているが，60%は良・不良の境界値とされる接着率であり，やや使い勝手が悪い．そこで，不良にあたる接着率40%, 20%の試験体を追加する．これらを用いて部分的に剥離している不良の打音を系統的に収集して学習データにとりこみ，汎化性能の向上を目指す．また多クラス分類で剥離度の評価可能性を追究する．ニューラルネットワークの構造の変更，転移学習の利用も検討する．
打音データの品質向上にも取り組む．打音収集の際に，試験体の周辺部やタイルの目地の打音が入り，音データの品質を損ね，判定の足枷になる可能性がある．こうした不適切な位置での打音データを除去するために，打診の音と位置の対応づけを検討する．そのため，打診棒にLEDをつけるなどの工夫をして，実験の動画から打診棒のトラッキングを行い，打診位置をデータ化することを目指す．
本研究では，実際の打音検査での利用を見越して，打音判定のオンライン処理やシステムの小型化も視野に入れている．1年目の研究では，計画を前倒しして無線によるデータ転送の試行に着手したものの，不十分な段階である．今後は，打音の集音から判定，結果の表示までを，適切に処理するシステムの構築を目指し要素技術の検討を進める．我が国で建造物や社会インフラの老朽化が顕在化する中，打音検査のAI化の重要性は増しているので，社会への波及効果を意識して研究を継続する．
|
