JP7219192B2 - 構造物の劣化状態診断方法 - Google Patents

Description

本発明は、構造物の劣化状態診断方法に関し、特に、コンピュータに組み込まれた画像解析プログラム及び人工知能による検出結果から構造物の劣化状態を診断する劣化状態診断方法に関する。

例えば高度経済成長時代に構築された橋梁、ダム、高層建築物などの構造物においては、劣化が問題となっており、劣化した構造物の損傷個所を補修したり補強したりするにあたって、劣化箇所や劣化状態を前もって把握しておくことが重要である。このため、構造物のひび割れ等による損傷箇所を点検するための装置や方法が種々開発されている（例えば、特許文献１、特許文献２参照）。

一方、近年、国土交通省は、建設現場における生産性の向上を目指して、建設工事における測量、設計・施工計画、施工、及び検査の一連の工程において、３次元データなどを有効に活用する「i-Construction」の導入を表明すると共に、ドローンやＣＩＭ（Construction Information Modeling/Management）といったＩＣＴ（Information and Communication Technology、情報通信技術）の積極的な導入を図っている。

好ましくは、ドローンを活用することによって、例えば従来の測量方法では数千地点を測量するのに１週間程度かかっていたものを、数百万地点の測量を１５分程度で完了することが可能になり、また構造物の種々の方向からの全体画像を、例えば１００００×１００００＝１憶ピクセル以上の高画素（超高画素）で撮像することが可能である。このため、好ましくはドローンを用いて構造物を撮像して得られた高画素（超高画素）の画像から、人工知能による公知の画像認識技術によって、構造物の劣化状態を診断する技術の開発が望まれている。高画素（超高画素）で撮像された構造物の画像は、例えば複数枚の画像を合成して一枚にまとめることができ、また高精細であるため、細かな劣化状態をも診断することが可能である。

特開２０１１－２３１６０２号公報 特開２０１８－９０９８１号公報

しかしながら、構造物を撮像した高画素の画像から、人工知能による公知の画像認識技術によって構造物の劣化状態を診断する場合、例えば人工知能によって予め作成した構造物の損傷状態に関する学習済み画像認識モデルに、撮影した画像を入力することで、細かな構造物の劣化状態を診断することが可能になると考えられるが、その一方で、高画素の画像は高精細であるため、構造物の高画素の画像は、画素数が過度に多くなっていることにより、損傷状態を分析する際に多くの時間を要することになると共に、構造物の部位によっては、その部位には起こり得ない変状を「劣化である」と診断するような、誤診断を生じる場合がある。

本発明は、構造物の高画素の画像から、人工知能による画像認識技術によって構造物の劣化状態を診断する際に、損傷状態を分析する時間を低減して、効率良く劣化状態を診断することのできると共に、特定の部位には起こり得ない変状を「劣化である」と診断するような、誤診断が生じるのを効果的に回避することのできる構造物の劣化状態診断方法を提供することを目的とする。

本発明は、構造物を撮像して得られた１憶ピクセル以上の超高画素の画像を用いて、コンピュータに組み込まれた画像解析プログラム及び人工知能による検出結果から構造物の劣化状態を診断する劣化状態診断方法であって、コンピュータが、構造物の超高画素の画像を取得する画像取得ステップと、コンピュータが、構造物の超高画素の画像を画像解析プログラムにより低画素化する画像低画素化ステップと、コンピュータが、構造物の特定の部位及び種別に関する予め作成された学習済み部位領域特定用画像認識モデルに、前記画像低画素化ステップで低画素化した構造物の画像を入力して、人工知能により構造物の所定の部位及び種別を出力させて特定する部位特定ステップと、コンピュータが、構造物の特定の部位及び種別の損傷状態に関する予め作成された学習済み劣化検出用画像認識モデルに、前記部位特定ステップで特定された部位及び種別の超高画素の画像を入力して、人工知能により構造物の所定の部位の損傷状態を出力させる部位別損傷検出ステップとを含んで構成され、表示された所定の部位の損傷状態から、診断員が構造物の劣化状態を診断する構造物の劣化状態診断方法を提供することにより、上記目的を達成したものである。

そして、本発明の構造物の劣化状態診断方法は、構造物の前記超高画素の画像が、ドローンにより構造物を撮像して得られた画像であることが好ましい。

また、本発明の構造物の劣化状態診断方法は、前記部位特定ステップで特定された部位及び種別が、人工知能によるセマンティックセグメンテーションによって識別された部位及び種別であることが好ましい。

さらに、本発明の構造物の劣化状態診断方法は、前記学習済み劣化特定用画像認識モデルの作成、及び人工知能による構造物の所定の部位の損傷状態の出力は、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって行われることが好ましい。

さらにまた、本発明の構造物の劣化状態診断方法は、前記部位別損傷検出ステップで出力される構造物の所定の部位の損傷状態が、ひび割れ、腐食、防食機能の劣化、漏水・遊離石灰、又は剥離・鉄筋露出であることが好ましい。

また、本発明の構造物の劣化状態診断方法は、撮像される構造物が、橋梁構造物であることが好ましい。

本発明の構造物の劣化状態診断方法によれば、構造物の高画素の画像から、人工知能による画像認識技術によって構造物の劣化状態を診断する際に、損傷状態を分析する時間を低減して、効率良く劣化状態を診断することのできると共に、特定の部位には起こり得ない変状を「劣化である」と診断するような、誤診断が生じるのを効果的に回避することができる。

図１は、本発明の好ましい一実施形態に係る構造物の劣化状態診断方法が実施される診断システムのシステム構成を説明する模式図である。 図２は、診断システムのシステム構成を説明するブロック図である。 図３は、本発明の好ましい一実施形態に係る構造物の劣化状態診断方法による処理工程を説明するフローチャートである。 ドローンを使用して撮像された橋梁構造物の高画素の画像の説明図である。 部位特定ステップにおいて特定される、低画素化した構造物の画像における所定の部位の説明図である。 部位別損傷検出ステップにおいて学習済み劣化検出用画像認識モデルに入力される、部位特定ステップで特定された部位の高画素の画像の説明図である。 部位別損傷検出ステップで検出された構造物の所定の部位の損傷状態を例示する説明図である。

本発明の好ましい一実施形態に係る構造物の劣化状態診断方法は、構造物として例えば鉄筋コンクリート製の橋梁構造物２０の劣化状態を、診断するための方法として採用されたものである。すなわち、図１に示す橋梁構造物２０は、高度経済成長時代に構築されたものであり、構築から例えば４０年以上経過していることで、経年劣化によるひび割れ等の損傷が生じていることから、本実施形態の構造物の劣化状態診断方法を採用することにより、このようなひび割れ等の損傷による劣化状態を精度良く診断してその原因等を把握することによって、好ましくは適正な補修方法により損傷箇所を修復できるようにするものである。

また、本実施形態の構造物の劣化状態診断方法は、例えば図１に示すシステム構成を備える診断システム１０を用いて実施されるようになっている。診断システム１０は、例えば有線又は無線の通信網１１を介して互いに接続されている、橋梁構造物２０を高画素（超高画素）で撮像することが可能な機能を備えるドローン１２と、例えば管理事務所に設置されたパーソナルコンピュータ１３と、ＡＩ（人工知能：Artificial Intelligence）として、好ましくは畳み込みニュ－ラルネットワーク（CNN：Convolutional Neural Network）をアルゴリズムとするニューラルネットワークを実装可能な公知の機械学習ツール（ソフトウェア）が組み込まれたサーバ１４とを含んで構成されている。

本実施形態の構造物の劣化状態診断方法は、好ましくはドローン１２によって撮影された橋梁構造物２０の超高画素の画像を用いることで、橋梁構造物２０の種々の部位に生じた細かな劣化状態を、人工知能による画像認識技術によって適正に診断することを可能にし、また損傷状態を分析する時間を低減して、効率良く劣化状態を診断できるようにすると共に、特定の部位には起こり得ない変状を「劣化である」と診断するような、誤診断が生じるのを回避できるようにする機能を備えている。

そして、本実施形態の構造物の劣化状態診断方法は、図１～図３に示すように、構造物として例えば鉄筋コンクリート製の橋梁構造物２０を撮像して得られた１憶ピクセル以上の高画素（超高画素）の画像を用いて、コンピュータ１４に組み込まれた画像解析プログラム及び人工知能による検出結果から橋梁構造物２０の劣化状態を診断する劣化状態診断方法であって、コンピュータ１４が、橋梁構造物２０の高画素の画像を取得する画像取得ステップＳ１と、コンピュータ１４が、橋梁構造物２０の高画素の画像を画像解析プログラムにより低画素化する画像低画素化ステップＳ２と、コンピュータ１４が、構造物の低画素化した画像における所定の部位及び種別を人工知能により特定する部位特定ステップＳ３と、コンピュータ１４が、特定の部位及び種別の損傷状態に関する予め作成された学習済み劣化検出用モデルに、部位特定ステップＳ３で特定された部位及び種別の高画素の画像を入力して、人工知能により構造物の所定の部位の損傷状態を出力させる部位別損傷検出ステップＳ４とを含んで構成され、表示された所定の部位の損傷状態から、診断員が、橋梁構造物２０の劣化状態を診断するようになっている。

本実施形態では、診断システム１０を構成する高画素で撮像することが可能な機能を備えるドローン１２によって、診断対象となる橋梁構造物２０の構築現場において、好ましくは橋梁構造物２０の全体の画像を撮影する。橋梁構造物２０のドローン１２による撮像は、一枚の画像で橋梁構造物２０の全体を撮影することが困難な場合もあることから、橋梁構造物２０における劣化状態を調査したい部位を設定し、調査したい部位を含む領域のみを撮影して、劣化状態を診断することもできる。高画素で撮影された構造物の画像は、例えばパーソナルコンピュータ１３において、複数枚の画像を合成して一枚にまとめることもできる。

ドローン１２は、橋梁構造物２０の種々の方向からの好ましくは全体画像を、例えば１００００×１００００＝１憶ピクセル以上の高画素（超高画素）で撮像することが可能な機能を備えている。また高画素で撮像された橋梁構造物２０の画像は、高精細であるため、細かな劣化状態をも診断することが可能である。ドローン１２は、診断システム１０を構成する例えば管理事務所に設置されたパーソナルコンピュータ１３の撮影・送信・表示部１３ａからの制御によって、橋梁構造物２０の周囲を飛行することができると共に、撮影部１３ｂからの指令によって、橋梁構造物２０の一部又は全体を含む領域を撮影できるようになっている。

診断システム１０を構成する例えば管理事務所に設置されたパーソナルコンピュータ１３は、撮影・送信・表示部１３ａとして機能するようになっており、ドローン１２の飛行を制御すると共に、撮影部１３ｂからの指令によって、橋梁構造物２０の一部又は全体を含む領域をドローン１２によって撮影させ、撮影した画像を撮影・送信・表示部１３ａに取り込んで、例えば記憶部（図示せず）に記憶させることができるようになっている。また、撮影・送信・表示部１３ａは、取り込まれた橋梁構造物２０の画像を、橋梁構造物２０の所定の部位の損傷状態を検出するためのデータとして、送信部１３ｃを介してコンピュータからなるサーバ１４に送信すると共に、サーバ１４から送信される橋梁構造物２０の所定の部位の損傷状態の検出結果を、表示部１３ｄを介して例えばディスプレイ１３ｅに表示させることができるようになっている。

ここで、パーソナルコンピュータ１３は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、Ｉ／Ｆ（Interface）、ＨＤＤ（Hard Disk Drive）等を備えている。ＣＰＵは、ＲＯＭに組み込まれた各種のプログラムに従って、ＲＡＭをワークエリアとして使用しながら、各種の処理を制御できるようになっている。また、ＣＰＵは、各種のコンピュータプログラムがＲＯＭに組み込まれていることにより、記憶手段、入力手段、表示手段、出力手段等を機能させると共に、各種の情報をディスプレイ１３ｅに表示させたり、プリンタから出力させたりできるようになっている。

また、本実施形態では、診断システム１０を構成するサーバ１４は、コンピュータからなり、公知の画像解析プログラムや公知の人工知能が組み込まれていることにより、損傷検出部１４ａを形成している。サーバ（コンピュータ）１４の損傷検出部１４ａにおいて、本実施形態の構造物の劣化状態診断方法の画像取得ステップＳ１、画像低画素化ステップＳ２、部位特定ステップＳ３、及び部位別損傷検出ステップＳ４が実施されるようになっている。

ここで、サーバ１４であるコンピュータは、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、Ｉ／Ｆ（Interface）、ＨＤＤ（Hard Disk Drive）、記憶手段、入力手段、表示手段、出力手段等を備えている。ＣＰＵは、ＲＯＭに組み込まれた各種のプログラムに従って、ＲＡＭをワークエリアとして使用しながら、画像解析プログラムによる画像処置やＡＩによる機械学習を制御する。また、ＣＰＵは、各種のコンピュータプログラムがＲＯＭに組み込まれていることにより、記憶手段、入力手段、表示手段、出力手段等を機能させると共に、パーソナルコンピュータ１３から送られるデータやＡＩによる解析結果等を、例えばデータベース部に記憶させたり、所定の情報として、管理事務所に設置されたパーソナルコンピュータ１３等を介して、例えばディスプレイ１３ｅに表示させたり、プリンタから出力させたりできるようになっている。

そして、本実施形態の構造物の劣化状態診断方法では、例えば上述の構成を備える診断システム１０によって、図３のフローチャートに示す処置工程にしたがって、人工知能により構造物の所定の部位の損傷状態を検出して、診断員による橋梁構造物２０の劣化状態の診断に供するようにすることができる。

すなわち、パーソナルコンピュータ１３による撮影・送信・表示部１３ａの撮影部１３ｂからの指令によってドローン１２により撮影された、橋梁構造物２０の好ましくは全体の画像は、撮影・送信・表示部１３ａの送信部１３ｃを介して、サーバ（コンピュータ）１４による損傷検出部１４ａの部位特定部１４ｂ（図２参照）に送信されることによって、画像取得ステップＳ１において、図４に示すような、例えば１憶ピクセル以上の高画素の橋梁構造物２０の全体の画像として、コンピュータ１４に取得される。

次に、画像取得ステップＳ１で取得された高画素の橋梁構造物２０の全体の画像は、サーバ（コンピュータ）１４の損傷検出部１４ａにおいて、好ましくは記憶部（図示せず）に記憶されると共に、画像低画素化ステップＳ２として、画像解析プログラムによって、例えば例えば１０万ピクセル以下程度の画素の画像として好ましくは２００×２００＝４万ピクセルの画像となるように、底画素化される。画像低画素化ステップＳ２において底画素化された橋梁構造物２０の全体の低画素画像は、好ましくは記憶部（図示せず）に記憶されると共に、部位特定ステップＳ３が行われることによって、底画素化された画像における、橋梁構造物２０の所定の部位及び種別が人工知能により特定されることになる。

本実施形態では、部位特定ステップＳ３は、好ましくは橋梁構造物２０の特定の部位及び種別に関する予め作成された既存の学習済み部位領域特定用画像認識モデルに、画像低画素化ステップＳ２で低画素化した橋梁構造物２０の画像を入力することによって、人工知能により橋梁構造物２０の所定の部位及び種別を特定するようになっている。既存の学習済み部位領域特定用画像認識モデルは、既存の橋梁構造物を撮像した多数の画像による、例えば部位や種別をピクセル毎に色分けしたデータセットを教師データとして、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって作成することができる。また、画像低画素化ステップＳ２で低画素化した橋梁構造物２０の低画素画像を、学習済み部位領域特定用画像認識モデルに入力することによる橋梁構造物２０の所定の部位及び種別の特定もまた、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって容易に行うことができる。

部位特定ステップＳ３において、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって特定された橋梁構造物２０の所定の部位及び種別は、図５に示すように、好ましくは人工知能によるセマンティックセグメンテーション（Semantic Segmentation）と呼ばれる画像セグメンテーションによって識別された、位置座標を伴う部位及び種別となっているので、図６に示すように、特定された各々部位の画像である部位別領域画像として、例えば主桁２０ａ、及び複数の胸壁２０ｂ，２０ｃ，２０ｄの画像を、部位番号を付した状態で抽出することができる。抽出された各々の特定された所定の部位の部位別領域画像は、高画素に戻すように変換されることで、部位別高画素領域画像として、サーバ（コンピュータ）１４の部位別損傷検出部１４ｃ（図２ｃ参照）に送られて、部位別損傷検出ステップＳ４によって、特定された各々の部位における損傷状態が検出されることになる。

部位別損傷検出ステップＳ４では、特定の部位及び種別の損傷状態に関する予め作成された既存の学習済み劣化検出用画像認識モデルに、部位特定ステップＳ３で特定された各々の部位及び種別の高画素の画像を入力することによって、人工知能により橋梁構造物２０の所定の部位の損傷状態を出力させて検出するようになっている。既存の学習済み劣化検出用画像認識モデルは、既存の橋梁構造物を所定の部位及び種別毎に撮像した、損傷個所を含む多数の画像による、例えば損傷の種別をピクセル毎に色分けしたデータセットを教師データとして、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって作成することができる。ピクセル毎に色分けされる橋梁構造物２０の所定の部位の損傷状態は、好ましくは、ひび割れ、腐食、防食機能の劣化、漏水・遊離石灰、又は剥離・鉄筋露出等とすることができる。部位特定ステップＳ３で特定された各々の部位及び種別の高画素の画像を、学習済み劣化検出用画像認識モデルに入力することによる各々の部位における損傷状態の検出もまた、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって容易に行うことができる。

部位別損傷検出ステップＳ４では、部位特定ステップＳ３で高画素に変換された、特定された各々の部位の部位別高画素領域画像は、好ましくはこれらに付された部位番号の順番に従って、特定の部位及び種別の各々の損傷状態に関する、予め作成された各々の学習済み劣化検出用画像認識モデルに順次入力される。特定された部位及び種別の高画素の画像を順次入力することで、人工知能による畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって、橋梁構造物２０の所定の部位の、好ましくはひび割れ、腐食、防食機能の劣化、漏水・遊離石灰、又は剥離・鉄筋露出等の損傷状態を順次出力させて、各々の部位における損傷状態を検出することが可能になる。

また、本実施形態では、部位別損傷検出ステップＳ４に続けて、部位別損傷検出ステップＳ４で検出された橋梁構造物２０における所定の部位及び種別毎の損傷状態が、当該所定の部位及び種別には起こり得ない損傷であるか否かを判断して、誤検出が生じないようにする、誤検出確認ステップＳ５を含んでいる。誤検出確認ステップＳ５では、部位別損傷検出ステップＳ４で検出された所定の部位の、ひび割れ、腐食、防食機能の劣化、漏水・遊離石灰、又は剥離・鉄筋露出等の損傷状態について、特定された当該所定の部位及び種別には起こり得ない損傷が検出された場合として、例えば橋梁構造物２０の鋼製の部位に、コンクリートのひび割れや鉄筋の露出が検出された場合等に、このような誤検出を取り除いて、正しい損傷状態のみをさらに精度良く検出させるようになっている。

損傷検出部１４ａにおいて検出された、特定された橋梁構造物２０の所定の部位及び種別の損傷状態に関するデータは、パーソナルコンピュータ１３による撮影・送信・表示部１３ａに送られて、表示部１３ｄを介して例えばディスプレイ１３ｅに表示できるようになっている。例えば図７（ａ）、（ｂ）に示すように、左側の写真に示すような橋梁構造物２０の所定の部位及び種別の損傷状態を、右側の画像のように表示させることができるようになっている。これによって、診断員は、例えばディスプレイ１３ｅに表示された、橋梁構造物２０の特定された所定の部位及び種別の損傷状態を観察しながら、建築現場に行くことなく、橋梁構造物２０の劣化状態を容易に診断することが可能になる。

そして、上述の構成を備える本実施形態の劣化状態診断方法によれば、橋梁構造物２０の高画素の画像から、人工知能による画像認識技術によって橋梁構造物２０の劣化状態を診断する際に、損傷状態を分析する時間を低減して、効率良く劣化状態を診断することが可能になると共に、特定の部位には起こり得ない変状を「劣化である」と診断するような、誤診断が生じるのを効果的に回避することが可能になる。

すなわち、本実施形態の構造物の劣化状態診断方法は、橋梁構造物２０の高画素の画像を取得する画像取得ステップＳ１と、橋梁構造物２０の高画素の画像を低画素化する画像低画素化ステップＳ２と、低画素化した画像における所定の部位及び種別を人工知能により特定する部位特定ステップＳ３と、所定の部位及び種別の損傷状態に関する学習済み劣化検出用モデルに、特定された部位及び種別の超高画素の画像を入力して、人工知能により構造物の所定の部位の損傷状態を出力させる部位別損傷検出ステップＳ４とを含んで構成されているので、高画素で撮像され橋梁構造物２０の画像をそのまま学習済み劣化検出用画像認識モデルに入力させて、人工知能により橋梁構造物２０の損傷状態を検出させる場合と比較して、処理するデータの量を少なくすることにより、人工知能による画像認識技術によって構造物の劣化状態を診断する際に損傷状態を分析する時間を低減して、効率良く劣化状態を診断することが可能になると共に、学習済み劣化検出用モデルに入力される画像を橋梁構造物２０の特定された所定の部位及び種別毎の画像に限定することで、当該特定の部位には起こり得ない変状を「劣化である」と診断するような、誤診断が生じるのを効果的に回避することが可能になる。

なお、本発明は上記実施形態に限定されることなく種々の変更が可能である。例えば、構造物の高画素の画像は、ドローンにより構造物を撮像して得られた画像である必要は必ずしも無く、また構造物の全体を含む画像でなくても良い。構造物の高画素の画像は、調査の対象となる構造物の所定の部位のみを含んだ画像であっても良い。部位特定ステップで特定された構造物の所定の部位及び種別は、セマンティックセグメンテーションによって識別された部位及び種別である必要は必ずしも無く、人工知能によるバウンディングボックスによって特定された部位及び種別等であっても良い。劣化状態が診断される構造物は、橋梁構造物の他、ダム、高層建築物などの、その他の種々の鉄筋コンクリート製や鋼製の構造物であっても良い。画像取得ステップや画像低画素化ステップや部位特定ステップや部位別損傷検出ステップは、コンピュータであるサーバにおいて実施される必要は必ずしも無く、画像解析プログラムやＡＩを例えば管理事務所に設置されたコンピュータ１３に組み込んで、当該管理事務所のコンピュータにおいて実施することもできる。

１０ 診断システム
１１ 通信網
１２ ドローン
１３ パーソナルコンピュータ
１３ａ 撮影・送信・表示部
１３ｂ 撮影部
１３ｃ 送信部
１３ｄ 表示部
１３ｅ ディスプレイ
１４ サーバ（コンピュータ）
１４ａ 損傷検出部
１４ｂ 部位特定部
１４ｃ 部位別損傷検出部
２０ 橋梁構造物

Claims (6)

1. 構造物を撮像して得られた１憶ピクセル以上の超高画素の画像を用いて、コンピュータに組み込まれた画像解析プログラム及び人工知能による検出結果から構造物の劣化状態を診断する劣化状態診断方法であって、
   コンピュータが、構造物の超高画素の画像を取得する画像取得ステップと、
   コンピュータが、構造物の超高画素の画像を画像解析プログラムにより低画素化する画像低画素化ステップと、
   コンピュータが、構造物の特定の部位及び種別に関する予め作成された学習済み部位領域特定用画像認識モデルに、前記画像低画素化ステップで低画素化した構造物の画像を入力して、人工知能により構造物の所定の部位及び種別を出力させて特定する部位特定ステップと、
   コンピュータが、構造物の特定の部位及び種別の損傷状態に関する予め作成された学習済み劣化検出用画像認識モデルに、前記部位特定ステップで特定された部位及び種別の超高画素の画像を入力して、人工知能により構造物の所定の部位の損傷状態を出力させる部位別損傷検出ステップとを含んで構成され、
   表示された所定の部位の損傷状態から、診断員が構造物の劣化状態を診断する構造物の劣化状態診断方法。
2. 構造物の前記超高画素の画像は、ドローンにより構造物を撮像して得られた画像である請求項１記載の構造物の劣化状態診断方法。
3. 前記部位特定ステップで特定された部位及び種別は、人工知能によるセマンティックセグメンテーションによって識別された部位及び種別である請求項１又は２記載の構造物の劣化状態診断方法。
4. 前記学習済み部位領域特定用画像認識モデル及び前記学習済み劣化検出用画像認識モデルの作成と、人工知能による構造物の所定の部位及び種別の出力、及び人工知能による構造物の所定の部位の損傷状態の出力とは、畳み込みニューラルネットワークをアルゴリズムとするディープラーニングによって行われる請求項１～３のいずれか１項記載の構造物の劣化状態診断方法。
5. 前記部位別損傷検出ステップで出力される構造物の所定の部位の損傷状態は、ひび割れ、腐食、防食機能の劣化、漏水・遊離石灰、又は剥離・鉄筋露出である請求項１～４のいずれか１項記載の構造物の劣化状態診断方法。
6. 撮像される構造物は、橋梁構造物である請求項１～５のいずれか１項記載の構造物の劣化状態診断方法。

Images