マルチアングル・複雑な背景条件における画像ベースのボルト検出およびボルト欠落欠陥検出

小さな締結部の点検が重要な理由

橋や鉄塔、その他の鋼構造物の内部には、静かに全体をつなぎ止めている何十万ものボルトが隠れています。これらの締結具が多く緩んだり欠落したりすると、構造全体の強度が低下し、場合によっては危険な結果を招くことがあります。人手で一つずつ点検するのは遅くコストがかかり、作業員が高所に登ったり狭い場所に入ったりする必要があると誤りが起きやすくなります。本研究は、実環境でスマートカメラと人工知能がボルトの欠落を自動的に検出できるかを探り、安全性点検をより速く、安全に、より信頼できるものにすることを目指しています。

実際の橋から多様な写真ライブラリへ

コンピュータにボルトの欠落を認識させるには、まず大規模で多様な画像コレクションが必要でした。研究チームは主に三つの出典から写真を集めました：運用中の実物大の吊り橋、現場の鉄製送電塔、そして実験室で製作したボルトが配置された鋼板。これらを合わせて、太陽光や陰影の下、さびや汚れ、さまざまな色の塗装がある状態など、多角度から撮影された5,000枚以上のボルト画像が得られました。さらにライブラリを拡張するために、ぼかしやノイズの追加、色変換などの古典的な画像変換を行い、また生成対抗ネットワークといういわば“想像エンジン”を用いて、主要対象であるボルトの形状は保持しつつ背景や周辺を多様化した現実的な新画像を生成しました。

広く使われるAIモデルの比較検証

この充実した画像ライブラリを用いて、研究チームは画像中の物体検出で広く使われる代表的なシステム、YOLO（You Only Look Once）系の三つのバージョンを比較しました。これらは画像を一度にスキャンして物体がありそうな領域を提案する方式です。各バージョンについて、ボルトを正しく検出できた頻度と、ボルトが欠落している空孔を正しく示せた頻度を計測しました。三モデルとも概ね良好でしたが、YOLOv8は精度と速度のバランスが特に優れており、高速に画像を処理しつつボルトと欠落ボルトを安定して識別できたため、さらなる改良の有力な出発点となりました。

雑然とした状況でも見抜く学習

実際の鋼構造を撮影するとき、きれいな正面図で写ることは稀です。ボルトは奇妙な角度から、影越しに、草地やコンクリート、塗装された鋼材といったごちゃごちゃした背景を背にして写ります。これに対応するため、研究者たちはYOLOv8を二つの主要な追加機能で強化しました。まず、画像の遠く離れた部分同士の関係を捉えるのに優れたSwin-Transformerという最新の画像解析ブロックを組み込み、局所的な小さなパッチだけに注目するのを補いました。次に、異なるスケールで細部のエッジや小さな形状に特に注意を払うマルチスケールかつ詳細強調モジュールを加えました。これらの組み合わせにより、小さな暗い円が本当にボルト頭なのか、空いた穴なのか、あるいは背景の汚れにすぎないのかをモデルがより正確に判別できるようになりました。

厳しい条件下での性能検証

改良したシステムは一連のストレステストにかけられました。浅い角度や急な角度から見たボルト、暗所・通常・強烈な逆光といった照明条件、赤や白や青に塗られた鋼板や雑然とした草地を背景にした写真などを解析しました。ほとんどの状況で、モデルはほぼ常にボルトの有無を正しく判定し、極端な撮影角度や強い光にもかかわらず精度は約90％以上を維持しました。最後に研究者らはドローンを飛ばして築15年の吊り橋を撮影し、数千枚の実際の検査画像を収集しました。モデルは12,700組を超えるボルトセットを解析し、ほとんどを正確に位置特定し、数万個の中で実際に欠落していた1つのボルトを検出しました—これは実験室外でも有効に機能し得る強い指標です。

日常の安全性に対する意味

専門外の方に向けた主要なメッセージは、大規模な鋼構造の定期点検が、クリップボードを持って桁を這い回る人手に頼る割合を減らし、ドローンや賢いアルゴリズムに依存する方向へ近づく可能性があるということです。注意深く構築・多様化した写真コレクションから学び、雑然とした状況でも見通せる高度な画像処理手法を用いることで、本研究のシステムは条件が完璧でない場合でもボルトの有無を信頼して判定できます。完璧ではありませんが、すでに人間の検査員を支援するには十分な性能を示しており、本当に問題がある少数箇所に検査員の注意を向けさせることで、より少ない混乱と低コストで橋や塔の安全性向上に寄与する可能性があります。

引用: Gu, Y., Peng, D., Song, J. et al. Image-based detection of bolts and bolt-missing defects in multi-angle and complex background scenarios. Sci Rep 16, 11590 (2026). https://doi.org/10.1038/s41598-026-41036-x

キーワード: 構造ヘルスモニタリング, 橋梁検査, コンピュータビジョン, 深層学習, ボルト欠陥