国立产业技术综合研究所［会长：中钵良二］（以下简称“AIST”）人工智能研究中心[研究中心主任 Junichi Tsujii] 人工智能应用研究团队 Masahiro Murakawa 研究团队负责人，人类信息研究部[Masaaki Mochimaru，研究部负责人]服务观测和建模研究小组 Takashi Okuma，首席研究员，Shutoko Engineering Co, Ltd、东日本高速公路株式会社东北分公司、Techny Co, Ltd 和基础设施结构撞击测试自动生成异常图。与人工智能。
新开发的AI锤检查系统利用机器学习来检测检查锤发出的锤声差异，自动检测结构异常的位置和程度。检测结果实时呈现给检测人员，并通过将检测结果与检测锤的位置信息相结合，自动创建异常级别图。这减少了包括绘图在内的工作时间，即使是非熟练工人也可以进行检查而不会遗漏任何内容，因此预计将用于全国范围内的基础设施检查，预计未来将迅速增加，包括难以确保熟练检查人员的农村地区。
实际原型AI检查系统将于2017年6月7日至8日在Yume Messe Miyagi（仙台市）举办的“建筑技术展览会EE Tohoku '17”以及7月19日至21日在东京国际展示场（东京江东区）举办的“Maintenance Resilience TOKYO 2017”上展出。
这项研究和开发是由内阁办公室科学、技术和创新委员会进行的。SIP基础设施维护、更新和管理技术”（管理公司：NEDO）。
 |
| 利用人工智能辅助敲击检查的“AI敲击检查系统” |
近年来，社会基础设施老化加剧，第三方损坏从预防角度进行维护管理10257_10302|在这种情况下，国土交通省桥梁等综合检查2014年启动，预计未来基础设施巡检需求将快速增长。
目视检查和锤击试验广泛用作社会基础设施检查的初级检查。如果在初次检查中发现异常，则进行后续观察并使用精密测量设备进行二次检查。目前，初级检查依赖于检查员的经验和感觉，但随着人口老龄化和劳动人口的减少，熟练检查员的数量正在减少，并且在某些情况下确保检查员变得困难。
AIST一直致力于研究和开发，以提高现有锤击声音检查的复杂性，并在不依赖检查员的感官的情况下量化锤击声音的异常程度，从而防止变化和错误。其核心技术是利用机器学习的异常噪声分析技术，是人工智能技术的一种方法。通过这项技术，机器不再需要人类定义异常声音，而是从收集的锤击声音数据的统计特性中学习标准。因此，可以减少人为定义错误以及对意外异常的疏忽。
AIST 自 20 世纪 80 年代以来就一直提出这种机器学习技术作为自适应学习通用识别系统。迄今为止，该公司一直致力于开发图像和视频的异常检测技术，但现在正在将其范围扩大到包括声学数据和振动数据。
新开发的人工智能检查系统由测量单元（图1）、配备人工智能用于控制、记录和分析的平板设备以及通知异常的移动设备（图2）组成。使用测量单元时，请将其靠在平坦表面（平面结构）上，例如结构的墙壁（图 3）。该AI敲击检查系统提供了使用普通检查锤进行敲击检查的两个主要功能。一种是利用异常噪音分析技术，自动判断锤子敲击区域是否存在异常，并在检测到异常时实时呈现给检查员。另一种是在完成一系列锤击声检查后，自动生成异常等级图并立即呈现给检查员的功能。
首先，为了实时显示异常位置，在测量单元中安装了接触式声学传感器和用于获取冲击位置的接触式声学传感器距离传感器，可以获得检查锤的声音波形以及在平面上的哪个位置信息。传感器的测量范围取决于结构的状况，但它可以检测距离测量单元安装位置约 4 m 半径范围内的冲击（图 4）。检查锤敲击的位置（敲击点阵列）随时显示在无线连接的平板电脑上（图 5）。该平板电脑使用机器学习分析传感器数据，当检测到异常噪音时，它会立即与检查员的移动设备通信，并通过点亮 LED 和发出蜂鸣器声音来通知他们。这使得可以在不忽视任何异常的情况下进行检查，例如通过以紧密的间隔敲击可疑异常周围的区域。
当使用机器学习来应用异常噪声分析技术时，问题是是否收集了足够的学习数据。特别是，当针对基础设施结构时，结构所使用的检查锤的材料、形状和类型有很多变化，因此通常不可能立即收集涵盖所有这些结构的数据。为了解决这个问题，机器会在使用设备的同时进行现场学习在线学习介绍方法。首先，在检查工作之前，在看起来明显正常的位置敲击锤子（约10秒），并根据这些锤击声的共同特征构建要检查的正常锤击声的模型。此后，启动检查模式，并且将偏离正常击打声音模型的敲击声音检测为异常。假设不偏离正常模型的敲击声是正常的，则依次更新正常模型。这样，机器会随着敲击声测试的进行而学习变化较大的物体的正常数据，使得即使在没有收集到足够数据的情况下也可以进行测试。
图1 开发的测量单元的外观 |
|
图2 通知异常噪声检测的移动设备
无线连接到分析平板电脑。
|
图3 锤击测试中系统使用示例 |
|
图4 测量单位的测量范围
|
 |
图5获取的击球点序列显示
图中每个黄点表示锤子的打击位置（设备安装位置为中心原点）。 |
关于异常位置图的第二个自动生成功能，当您完成锤击声检查并退出检查模式时，会自动生成整合了迄今为止获取的击球声音位置和这些锤击声的异常程度的异常度图。自动生成异常等级图需要用于确定异常等级的击打声音与冲击位置之间的精确对应。如果仅使用声学传感器信息的异常级别判定和仅使用距离传感器信息的点位置测量单独地进行并相关联，则每种方法的误差将直接反映在异常级别图中，导致误差较大的问题。这次，我们通过在测量单元中安装两个传感器并综合分析声学传感器信息和距离传感器信息来解决这个问题。
如图6所示，针对实际结构（隧道墙）获得的异常等级图显示了墙体上的异常位置（上部中心），通过定量分析声音与学习到的正常锤击声的差异程度并着色，将以前依赖于检查人员的感觉的异常程度可视化。由于检查完成后立即创建地图，因此可以当场检查任何影响的遗漏，并可以进行补充检查。此外，在设计异常区域的修复和加固时，可以减少创建详细损坏图的过程。
如果移动AI检测系统并继续检测，则需要重新安装，但我们引入了一种机制，可以让您轻松对准距离传感器，将安装时间缩短至约1分钟。
有了具备这两项功能的AI敲击检查系统，即使是非熟练人员也可以对社会基础设施进行敲击检查，不遗漏任何检查点。此外，由于该系统针对的是一般检查锤，因此可以在不对现有锤声音检查程序进行重大改变的情况下引入该系统，从而预计会减少包括绘图在内的工时。
 |
图6：检查区域的状态（上）和获得的异常等级图（下）
异常程度通过地图上的不同颜色进行可视化。在这种情况下，判断与熟练检查员的检查处于同一水平。 |
15351_15473RC楼板从梁下看，扩大检查对象范围。
我们开发的AI锤击检测系统可以记录锤击声音及其位置信息，所以如果我们能够获取测量单元本身的绝对位置信息，就可以将检测数据与结构的三维设计数据和测量数据整合起来，所以我们将继续考虑获取绝对位置信息的方法。