異常検知AI

警報が鳴ってから駆けつける。定期点検の日になって初めて漏水に気づく。重機のそばを人が横切っていたことを、あとから映像を見返して知る。建設の現場では「起きてから対応する」場面が今も少なくありません。この順番を「起きる前に気づく」へ入れ替えようとする技術が異常検知AIです。この記事では、異常検知AIとは何かという基本から、正常を学習するという独特の仕組み、点検・安全・設備保全といった現場での使いどころ、そして導入前に必ず確かめておきたい誤報の扱いまで、公表されている事例を交えて整理します。

異常検知AIとは

異常検知AIとは、ふだんと違う状態をコンピューターが自動で見つけ出す技術のことです。特徴は、異常そのものを一つひとつ覚えさせるのではなく、正常な状態をたくさん覚えさせておき、そこから外れたものを「いつもと違う」として拾い上げる点にあります。

クレジットカードの不審な利用が止められる仕組み、工場で不良品をはじく外観検査、健康診断の結果で基準値から外れた欄に印が付くこと。いずれも発想は同じで、ふだんの姿を基準にして、そこからどれだけ離れているかを測っています。異常検知AIは、この「ふだんとの差」を写真・センサーの数値・映像といったさまざまなデータで測れるようにしたものだと考えると分かりやすいでしょう。

なぜいま建設業で注目されているのか。背景にあるのは、見張るべき対象が増える一方で、見張る人は増えないという構造です。国土交通省のインフラメンテナンス情報によれば、建設後50年以上を経過する道路橋の割合は2023年3月時点の約37％から、2040年3月には約75％まで高まる見通しとされています。トンネルは約25％から約52％へ、港湾施設は約27％から約68％へと同じ傾きで増えていきます。点検が必要な構造物は確実に増えますが、点検にあたる技術者を同じ比率で増やすのは現実的ではありません。

同じことが日々の現場でも起きています。厚生労働省が令和8年5月に公表した令和7年の労働災害発生状況では、建設業の死亡者数は214人と、全体の700人のうち最も多い業種でした。事故の型別では墜落・転落が186人で最多となっています。危険な瞬間を人の目だけで見張り続けることには限界があり、機械に見張らせて人に知らせる仕組みへの関心が高まっている、というのが現在地です。国土交通省が令和6年に策定した「i-Construction 2.0」でも、2040年度までに建設現場の省人化を少なくとも3割進める方針が示されており、確認や監視の自動化はその中核に位置づけられています。

異常検知AIの仕組みをやさしく理解する

難しい数式を覚える必要はありませんが、どういう順番で動いているかを知っておくと、思ったとおりに動かないときに何を直せばよいかの見当がつくようになります。異常検知AIの処理は、おおむね次のように進みます。

1. 1

   正常な状態を集める

   まず「これがふだんの姿だ」と言えるデータを集めます。同じ角度から撮った設備の写真、平常時の振動や電流の数値、通常作業中の映像などです。異常時の記録は簡単には集まりませんが、正常なデータなら日々の記録がそのまま使えます。

2. 2

   ふだんの姿を覚えさせる

   集めたデータからAIが正常の範囲を学びます。「これは不良、これは良品」と一枚ずつ正解を付ける方式と違い、正解付けの手間が小さいのが特徴です。

3. 3

   いつもとの差を数値にする

   新しく入ってきたデータが、覚えた正常からどれだけ離れているかを異常度という数値で表します。白か黒かの判定ではなく、どの程度おかしいかを連続した値で示すのがこの段階の役割です。

4. 4

   どこからを異常と呼ぶか決める

   異常度にしきい値を設け、それを超えたら通知するようにします。ここは技術というより運用の判断で、現場ごと・カメラごとに調整するのが普通です。

5. 5

   人が確かめて次に生かす

   通知を受けた人が現物を確認し、本当に異常だったのか見間違いだったのかを記録します。この結果を学習データに戻すことで、精度が少しずつ上がっていきます。

この流れで最も大事なのは、最初の「正常な状態を集める」段階です。言い換えると、異常検知AIは異常のサンプルが手元にない状態でも始められる点が、実務では大きな利点になります。設備の重大故障や墜落事故は、幸いにも滅多に起きません。滅多に起きないものは学習データが集まらないため、異常を直接覚えさせる方式ではそもそも立ち上がらないのです。正常を基準にするという発想は、この壁を避けるために選ばれています。

NTT技術ジャーナル2025年5月号に掲載されたNTTファシリティーズの報告では、画像異常検知AIについて、4枚の正常画像の学習で判定モデルを構築でき、異常とみなす範囲やしきい値をカメラ単位で設定できると説明されています。少ない準備で始められる一方、しきい値の設計が結果を大きく左右するという、この技術の性格がよく表れた例といえるでしょう。

AI侍

異常検知AI殿が申せるのは「いつもと違う」まででござる。それが直すべき異変か否かを見極めるは、やはり人の役目にござる。

異常検知AIの3つのタイプ

ひと口に異常検知AIといっても、何を見て「いつもと違う」と判断するかで性格が変わります。製品を比べるときは、次の3つのどれにあたるのかを最初に確かめると迷いにくくなります。

• 見た目で気づくタイプ。写真や映像から、ひび割れ・漏水・ランプの不点灯・部材の破損などを見つけます。定点カメラや点検写真と相性がよく、建物や設備の点検で使われます。
• 数値の動きで気づくタイプ。振動・温度・電流・傾き・水位といったセンサーの時系列データを見て、ふだんの波形から外れた動きを拾います。機械の故障予兆や地盤の変位監視が代表例です。
• 行動で気づくタイプ。映像の中の人や重機の動きを追い、立入禁止区域への侵入、吊り荷の下の通行、重機への接近といった危険な場面を検知します。安全管理での利用が中心です。

自社で困っていることがどのタイプにあたるかを見誤ると、まったく別の道具を検討することになってしまいます。「現場を安全にしたい」という漠然とした要望を、「掘削機の旋回範囲に人が入ったら知らせてほしい」というところまで具体化してから、製品の比較を始めてください。

建設現場での異常検知AIの使い方

建物・設備の点検を映像で置き換える

NTTファシリティーズとLiLzは2024年12月から、東京・大阪エリアの管理建物13件に画像異常検知AI「LiLz Guard」を導入し、技術者が実施している建物点検業務の一部をAIで代替できるかを検証すると発表しました。同社の発表では、技術者の目視精度以上となる検出率97％で異常を検知できることが確認されたとされ、防火シャッター付近の閉鎖障害物、給水・汚水制御盤のランプ故障、照明器具の不点灯、配管やドレンパンからの漏水、天井や壁の外観破損などが検知できた項目として挙げられています。

自社ビルや工場を持つ会社、あるいは維持管理まで請け負う会社にとっては、巡回の頻度そのものを見直せる可能性があるという話です。ただし発表されているのは条件を整えた検証での結果であり、どの建物でも同じ数字が出るという意味ではありません。カタログの数字を見るときは、どんな対象を、どんな撮影条件で判定したのかまで確かめる癖をつけておくと安全です。

安全管理で危険な場面だけを拾う

クラウド録画サービスのセーフィーは2026年7月、建設・製造現場向けに不安全行動検知AI「Ailytics（SF）」の本格提供を開始したと発表しました。検知できるのは吊り荷下検知、立入検知、重機近接検知、装備品未着用検知、速度超過検知の5つです。同社の発表によれば、九州旅客鉄道で2025年10月1日から11月30日までの61日間、大林組で2026年2月1日から5月31日までの120日間の実証が行われ、危険領域への立ち入りを高精度に自動検知できることと、映像確認業務を大幅に省力化できることが確認されたとされています。

注目したいのは、検知そのものよりも映像を人が見返す作業が減ったという点です。安全パトロールの記録を残すために、長時間の映像を早送りで確認している会社は少なくありません。異常検知AIは、その中から「見るべき数分」を抜き出す道具としても働きます。

機械や設備の故障を先回りする

設備の予知保全も、異常検知の代表的な用途です。コマツ産機は大型サーボプレス向けに、各モーターのサーボ制御情報を外付けセンサーなしで自動収集し、クラウド上のAIが劣化部位を判定して残存寿命を算出する予知保全システムを公開しています。市場に出ている機械から集めた劣化時・故障時のデータでAIモデルを更新し続けることで、判定精度を保つ設計です。建設機械そのものではありませんが、稼働データから壊れる前の兆しを捉えるという考え方は、現場のプラントや仮設設備にもそのまま当てはまります。

町場の工事会社であれば、発電機・コンプレッサー・仮設ポンプなど、止まると工程に直結する機械が候補になります。止まってから直すのか、兆しの段階で部品を手配しておくのかで、段取りの余裕はまったく変わってきます。

地盤や斜面の変化を見張る

土木側では、わずかな変位の監視に使われます。ソフトバンクは2025年3月、東京消防庁と共同で、土砂災害の救助活動現場における二次災害防止の実証を行ったと公表しました。盛り土で土砂崩落を再現した訓練場において、斜面から60m離れた場所に置いたカメラとAIで岩や枝といった特徴物の2cmの変位を捉え、約40度の急斜面にドローンで設置した傾斜センサーがクラウド経由で数秒ごとに結果を通知する仕組みが検証されています。AIカメラの実用化目標は2027年頃とされています。

同じ発想は掘削現場の山留めや法面の管理にも通じます。人が定点で計測して野帳に書き写す作業を、常時見張らせて外れたときだけ知らせる形に置き換えられるかどうかが、検討の軸になります。

メリットと注意点

定着しない理由の多くは、精度そのものではなく通知の行き先にあります。誰のスマートフォンに届くのか、届いた人は何をするのか、確認した結果をどこに記録するのか。ここが決まっていないと、鳴りっぱなしの警報と同じ扱いになってしまいます。検討の際は、検知したあとの動きまで含めて設計することをおすすめします。

現場の映像や写真を外部のクラウドに預ける以上、保管場所や利用範囲の確認も欠かせません。どこまでを社内に置き、どこからを事業者に任せるのかという線引きは、サービス内容の検討と合わせて早い段階で整理しておくと、後戻りが減ります。

導入の進め方

いきなり全現場に広げると、費用も運用の負荷も見合わなくなりがちです。次の順番で小さく確かめていくのが現実的でしょう。

1. 1

   困っている場面を一つに絞る

   「安全を良くしたい」ではなく「バックホウの旋回範囲に人が入る場面を減らしたい」まで絞り込みます。対象が決まれば、必要なのが映像なのかセンサーなのかも自然に決まります。

2. 2

   今かかっている手間を測る

   巡回に何時間、映像確認に何時間かかっているかを先に記録しておきます。導入後に効果を語れるかどうかは、この事前の数字があるかで決まります。

3. 3

   一カ所で試す

   一つの現場、一台のカメラから始めます。しきい値の調整にどれくらい手間がかかるか、誤報がどの程度出るかは、実際に動かしてみないと分かりません。

4. 4

   通知後の手順を決める

   誰が受け、誰が確認し、どこに記録するかを紙一枚にまとめます。ここが曖昧なまま台数を増やすと、増えるのは通知だけになります。

5. 5

   効果を確かめて広げる

   測っておいた手間と比べ、割に合うと判断できた範囲だけ広げます。合わなければ、対象や設定を変えて試し直します。

費用は製品や台数、既設のカメラを流用できるかどうかで大きく変わります。一般的な相場を鵜呑みにせず、必ず自社の条件で見積もりを取って確かめてください。どの作業から手を付けるべきか迷う場合は、無料の相談で現場の状況を伺いながら整理することもできます。

よくある質問

関連用語

出典・参考