米乐m6官方网站[理事长中钵良二]（以下简称“AIST”）集成微系统研究中心[研究中心主任 Hiroshi Hiroshima] Yuichi Kurashima，MEMS 集成工艺研究团队首席研究员，Ken Kobayashi，社会实施传感器系统研究团队研究团队负责人，分析测量标准研究部[研究部主任野中英彦]无损测量研究小组研究员嘉纳佳成及其同事正在与国土交通省国立国土基础设施管理研究所[所长大田厚]（以下简称“国家综合研究所”）合作，开发利用AI（人工智能）的下一代技术。泥石流我们开发了一种检测传感器系统。
该系统通过在泥石流发生区域放置多个使用通用部件的廉价传感器，并使用人工智能分析这些传感器的振动波形，可以仅检测真正的泥石流。这次，在泥石流频繁发生的樱岛，我们从2017年大约一个月的时间里收集了多个传感器的振动数据，生成学习数据，并根据这些学习数据开发了用于泥石流判断的AI软件。对于这个软件，以樱岛的实际数据交叉验证时，我们发现我们可以检测到所有泥石流，没有误报。与传统方法相比，误报率达到约95%，证实了本次使用AI开发的系统的有用性。
该系统的详细信息将于 2018 年 MEMS 传感与网络系统展览会上公布，该展览会将于 2018 年 10 月 17 日至 19 日在幕张展览馆（千叶县千叶市）举行。
 |
| 利用AI的泥石流检测传感器系统示意图 |
日本大部分土地都是山地，坡度陡峭，雨季和秋雨季以及台风期间会出现强降雨，平均每年会发生约1000起山体滑坡。在滑坡灾害中，泥石流移动速度快，往往在发生后短时间内就到达村庄，因此尽早发现泥石流的发生和预警信号并及时疏散以减少损失非常重要。迄今为止，已广泛应用于泥石流检测有线传感器有一个系统，当泥石流剪断电线时会发出警报，但一旦电线断裂，就必须重新拉紧，并且如果连续发生第二波和第三波泥石流，则无法检测到。还曾发生过因动物剪断电线而引起的误报。因此，人们尝试使用振动传感器根据大石块碰撞河床、护岸等时产生的振动来检测泥石流，但有人指出，由于泥石流以外的因素（雨、风、地震、火山地震等）产生的振动存在误报的问题。
除上述之外的各种泥石流检测传感器已经被开发出来，但它们通常非常昂贵，包括其维护和管理成本，并且使它们更便宜也是一个问题。此次，精通传感器和人工智能等技术的产业技术研究院和精通滑坡发生机制以及软硬件对策的国立综合研究所，自2016年12月起一直致力于解决传统滑坡检测传感器的问题，利用尖端的人工智能和物联网我们一直在进行联合研究，开发融合技术的“下一代泥石流灾害检测传感器”。
本次研发有两点。一是利用人工智能分析，从可能发生泥石流的地点安装的众多振动传感器的波形数据中，仅检测泥石流的振动波形。振动传感器可以接收各种振动，因此不能将泥石流以外的振动，如雨、风、地震、火山地震等误认为是泥石流。为此，我们开发了一种利用人工智能机器学习仅识别泥石流引起的振动的方法。选择了泥石流频繁发生的樱岛，并与国立综合研究所合作获得了高质量的标记学习数据，为这一目标的实现做出了贡献。
第二种方法是使用带有大量振动传感器的所谓“地面”系统进行泥石流检测。过去，许多与滑坡相关的测量仪器和传感器价格昂贵，因此往往在现场单独安装，或者换句话说，在“点”进行检测。然而，用单个设备进行检测时，存在设备误动作的可能性，而除了成本之外，多个设备在“平面”上进行检测误判的可能性较小。因此，我们设计了一种布置多个传感器的方法作为泥石流检测传感器系统，并以比传统方法更便宜且更容易推广的实现形式实现。
以下是这两个技术点的详细信息。
① 使用 AI 机器学习进行泥石流检测
图1展示了利用AI进行泥石流检测的流程。主要由异常度计算部分和泥石流检测部分两个程序组成。
 |
| 图1 AI泥石流检测流程 |
所有振动数据的泥石流检测需要大量计算，给现场使用的CPU带来沉重负担，并增加实施成本。因此，首先，在异常度计算部中检测异常振动数据。异常度计算部分将来自多个振动传感器的振动波形分成每个5分钟的数据部分，然后计算每个传感器的每个数据部分的异常度。每个数据间隔长5分钟，但由于有1分钟的重叠，因此每分钟计算并输出异常程度。这个异常计算是汇总统计信息的方法，计算时域和频域的异常程度。只有当所有传感器都显示高度异常时，该数据段才被视为异常候选，并将数据发送到泥石流检测单元。这样，只有当所有传感器都显示异常时才怀疑泥石流，相当于表面检测，即使在某个传感器附近检测到由于重型机械移动或有人行走而产生的振动，也可以排除这些振动。另外，由异常度计算部选择为异常候补的数据区间不仅包括实际包含泥石流引起的振动的情况，还包括计算出其他因素引起的振动的异常度高的情况。泥石流检测部分仅从这些异常候选区域中检测出真正的泥石流。
为了实现高检测精度的泥石流检测装置，获取尽可能多的高质量学习数据非常重要。学习数据是包括从实际振动波形提取的特征量和指示振动发生时发生了什么的标签的数据。在这种情况下，标签是泥石流和其他振动。该标记的准确性会影响检测精度，因此在本次开发中，使用来自樱岛的视频图像和天气数据进行标记，在难以做出确定的情况下，由国立综合研究所的专家进行标记。这是一种机器学习方法，使用2017年6月3日至7月4日收集的振动波形数据上附加标签的学习数据支持向量机实施
采用统计学中使用的交叉验证方法对泥石流检测软件进行验证。在交叉验证方法中，将获得的样本数据分为几部分，其中一部分作为学习数据，其余作为测试数据，并按顺序重复此过程。在这个数据中，发生了3次泥石流，所以我们假设每个数据组是A、B、C。首先，使用A和B作为图1中的学习数据，组成泥石流检测软件，然后提供图1左侧的测试数据C作为输入，看看是否可以检测到泥石流。接下来，我们将B和C作为学习数据，A作为测试数据，看看能否检测到泥石流。最后，给C和A作为训练数据，B作为测试数据，看看是否可以进行相同的检测。具体来说，本次收集的数据量为8835个数据区间，每个区间持续5分钟，但当将每个泥石流分成三组进行交叉验证时，异常计算单元检测到619个数据区间作为异常候选，泥石流检测单元进行了详细分析。结果，36个数据段（约6%）被AI识别为泥石流，与3次泥石流的实际周期相符。也就是说，所有泥石流的发生都被准确地检测到，没有出现误报。
为了验证该系统使用人工智能的优越性，我们将其与传统方法进行了比较。传统方法关注振动波形的强度，当超过一定阈值时判定为异常。有统计假设检验分析相同的8835个数据段时，826个数据段被确定为异常。由于泥石流实际发生在36个数据段中，因此有790个数据段（约95%）为误报。换句话说，在大约20个警告中，只有一个是真正的泥石流警告。这证实了本次使用AI开发的系统的优越性。
② 通过布置多个廉价振动传感器构建无线传感器网络系统
由于这次开发的泥石流检测传感器系统是基于“平面”传感的，因此除非单个振动传感器价格便宜，否则不能指望它会得到广泛应用。因此，我们结合了市售的通用部件，MEMS 振动传感器，我们创建了一个无线传感器，由无线通信设备、太阳能电池板和锂离子电池组成。零件的总成本约为10,000日元。该传感器由锂离子电池供电，使用太阳能电池板充电，最大输出功率为15 W，但整个传感器的功耗约为013 W，充满电后，即使没有太阳能电池板发电，振动传感器也能正常运行不到两周。
此无线传感器位于樱岛野尻河萨博水坝通过在距上游（野尻川第 7 号萨博大坝附近）每隔 10 或 20 m 的距离（图 2 中白圈所示）的总共 17 个位置（野尻川第 7 号萨博水坝）放置多个廉价传感器，我们能够获取 2017 年 6 月 3 日至 7 月 4 日期间全区域的振动波形数据。
 |
| 图2 安装在樱岛上的传感器以及接收和数据采集单元（上图中的白色圆圈是实际安装位置） |
由于新开发的泥石流检测系统的泥石流检测不是实时检测，未来将在现场PC上安装完成机器学习的泥石流检测软件，实时检测泥石流。此外，通过积累测量数据和高质量的学习数据，我们将证明在樱岛以外的地方也可以检测到泥石流。同时，我们将继续开发廉价且耐用的传感器，着眼于未来的广泛使用。