配筋検査で一本ずつ継手を見て回る。作業前に全員のヘルメットとフルハーネスを目で確かめる。撮りためた工事写真を、夜になってから工種ごとに振り分ける。どれも人の目と経験があってこそ成り立つ仕事ですが、同時に「人が足りないと真っ先に薄くなる」仕事でもあります。この目の役目を機械に肩代わりさせる技術が画像認識AIです。この記事では、画像認識AIとは何かという基本から、判別の仕組み、建設現場での具体的な使い方、実際に公表されている導入事例と数字、導入前に確かめておきたい注意点までを順に整理します。
画像認識AIとは
画像認識AIとは、写真や映像に写っているものが何か、どんな状態かをコンピューターが自動で判別する技術のことです。人間が「これは鉄筋の継手だ」「この作業員はヘルメットをかぶっていない」と一目で分かるのと同じ判断を、大量の画像を学習させることで機械にできるようにしたもの、と考えると分かりやすいでしょう。
身近な例なら、スマホの写真アプリが人物ごとにアルバムを作ってくれる機能、自動車の車線逸脱警報や歩行者検知、コンビニのセルフレジがパンの種類を見分ける仕組み。これらはすべて画像認識AIです。特別な研究室の技術ではなく、すでに日常のあちこちで動いています。
なぜ建設業でいま注目されるのか。背景には人手の問題があります。国土交通省は令和6年4月に「i-Construction 2.0」を策定し、2040年度までに建設現場の省人化を少なくとも3割、すなわち生産性を1.5倍向上させることを目指すとしています。施工・データ連携・施工管理の3つの領域をオートメーション化するという方針が示されており、目視での確認や記録作業を自動化する画像認識AIは、このうち施工管理のオートメーション化に直接つながる技術です。
画像認識AIの仕組みをざっくり理解する
細かい理論を知る必要はありませんが、どこでつまずくのかが分かっていると、思ったとおりに動かないときの原因が読めるようになります。画像認識AIの処理は、おおむね次の順番で進みます。
1お手本の画像を集める
判別させたい対象について、正解のついた写真を大量に用意します。ここが最も手間のかかる工程で、集めた画像の質がそのまま精度に直結します。自社の現場で撮った写真が資産になるのはこの段階です。
2正解を教え込む
画像のどこに何が写っているかを人が示し、その特徴をAIに学習させます。良品と不良品、着用と未着用のように、判定させたい区分ごとに十分な枚数が必要になります。
3現場で撮影する
スマートフォン、定点カメラ、ドローン、ウェアラブルカメラなどで対象を撮ります。写りが悪ければ後の工程で挽回できないのは人間の目と同じで、逆光、ピンぼけ、対象が小さすぎるといった条件が失敗の主な原因です。
4認識する
学習済みのAIが画像の特徴を照合し、「これは継手」「膨らみの直径はこの寸法」「この人物は保護具を着けていない」といった判定を出します。判定には確信度の数値が付くのが一般的です。
5結果を使える形にする
判定結果を検査帳票に落とす、警報を鳴らす、写真を工種別のフォルダに振り分けるなど、業務につなげます。ここまで届いてはじめて手間が減ります。
見落とされがちなのは最後の「結果を使える形にする」段階です。AIが正しく判定しても、その結果を人が別の帳票に手で書き写しているなら、作業量はほとんど変わりません。検討するときは、判定したあとのデータがどこへ流れるかまで含めて考えてください。
画像認識AIでできることの種類
ひと口に画像認識AIといっても、やっていることは同じではありません。カタログを読み比べるときは、この4つの分類を頭に入れておくと迷いにくくなります。
- 分類：写真1枚を見て「これは何の写真か」を答えるもの。工事写真を工種別に仕分ける用途がこれにあたります
- 物体検出：写真の中から「どこに何がいくつあるか」を四角い枠で示すもの。作業員の人数、重機の位置、資材の数量把握に使われます
- 領域分割（セグメンテーション）：対象を画素単位で塗り分け、輪郭や寸法まで取り出すもの。ひび割れの長さと幅、膨らみの直径といった計測を伴う判定に向きます
- 異常検知：正常な状態だけを学習させ、そこから外れたものを「いつもと違う」として拾い上げるもの。不良の見本が集まりにくい検査に向いています
混同されやすいのが文字を読む技術との違いです。請求書の金額や日報の手書き文字を読み取るのはOCRの領分で、ひび割れや保護具の有無といった物や状態を見分けるのが画像認識AIです。技術としては地続きですが、読む対象が文字ならOCR、物や状態なら画像認識と覚えておけば、製品を選ぶときに迷いません。
建設現場での画像認識AIの使い方
建設業は、成果物が屋外にあり、記録として写真を大量に撮る業種です。だからこそ画像認識AIの使いどころがはっきりしています。実際に取り組みが進んでいる領域を挙げます。
- 品質検査：鉄筋継手の外観、溶接ビード、塗装の仕上がりなどを撮影して合否を判定する
- 安全管理：カメラ映像からヘルメットや墜落制止用器具の着用状況、立入禁止区域への侵入、重機への接近を検知して警告する
- 出来形・進捗の記録：定点カメラの映像から作業の段階を自動で判別し、日々の進捗記録を残す
- 維持管理・点検：橋梁やトンネル、外壁のひび割れを撮影画像から自動検出し、位置と寸法を記録する
- 工事写真の整理：黒板の内容や写っている作業から工種を推定し、写真台帳の仕分けを自動化する
- 資材・在庫の把握：仮置き場の写真から資材の種類と数量を数え、手作業の棚おろしを減らす
- 地形・数量の把握：ドローンで撮影した画像から土量や出来形を算出する
設計・施工の情報を3次元モデルで扱うBIM/CIMと組み合わせると、検出したひび割れの位置をモデル上に重ねる、といった使い方もできます。実際に、点検で見つけた変状を3次元空間に配置して管理する取り組みが始まっています。
公表されている導入事例と効果
実際にどれくらい変わるのか、公表されている事例を見ておきます。よく引かれるのが鉄筋継手の外観検査です。清水建設はNTTコムウェアの画像認識AI「Deeptector」を用い、スマートフォンで鉄筋の径を指定して継手を撮影するだけで合否を判定する仕組みを構築しました。NTTコムウェアが2019年11月に公表したリリースによれば、鉄筋継手の検査業務の効率化を目指して現場トライアルを開始したもので、報じられている内容では2020年1月から3月にかけて実際のビル現場で検証が行われています。
IT Leadersの記事では、膨らみの直径、膨らみの長さ、折れ曲がり角度、偏心量といった外観検査の項目を画像認識AIで代替し、これまで1カ所あたり5分程度を要していた目視検査が、1カ所あたり20秒から30秒程度になったと報じられています。判定モデルは、正しく施工された継手の写真数百枚を教師データとして学習させたものだとされています。
この事例が示しているのは、単なる時短だけではありません。継手の良し悪しは熟練者の目に頼る部分が大きく、判断のばらつきが避けられませんでした。撮影して判定する方式なら、誰が検査しても同じ基準で、その場で結果が出るうえ、判定に使った写真がそのまま記録として残ります。配筋やガス圧接のように、あとから隠れてしまう部分の検査ほど、この性質が効いてきます。
施工管理そのものを対象にした例もあります。清水建設が2026年に公表したニュースリリースでは、施工箇所のクラウドカメラ映像を一定間隔でサーバーに送り、視覚特徴解析技術とマルチモーダルLLMを組み合わせた解析でデータ化する「AI施工管理システム」を構築したとしています。重機の配置、配管・ホースの接続状態、H鋼の有無といった要素から、マシンセット、削孔、H鋼挿入、モルタル注入という施工サイクルの段階を自動判定するもので、横浜市内の鉄道の連続立体交差工事の山留め杭工事で2025年12月から実証実験が行われています。日々の進捗管理や膨大な写真記録、報告書の作成といった負担を軽くすることが狙いだと説明されています。
維持管理の分野では、同社が2026年1月に公表した別のリリースで、画像からコンクリート構造物のひび割れをAIが自動検出し、長さ・幅・位置情報をデジタルツイン上に取り込む仕組みが紹介されています。従来は現場での目視確認や計測、手書きのスケッチといった作業が必要でしたが、これらの現場でのアナログ業務を大幅に削減できるとしています。国土交通省も道路構造物の点検について「点検支援技術性能カタログ」を公開しており、画像からひび割れを抽出する技術が性能とともに掲載されています。導入を検討する際は、このカタログで各技術の性能条件を確かめるという進め方ができます。
安全管理の面では、そもそも改善の余地が大きい領域です。厚生労働省が公表した令和6年の労働災害発生状況によれば、労働災害による死亡者数は全体で746人と過去最少になった一方、建設業は232人で前年比9人・4.0％の増加となりました。全体に占める割合はおよそ3割にのぼります。事故の型では墜落・転落が最も多く、全体で188人が亡くなっています。保護具の着用確認や高所での作業状況の監視は、人が常時見張り続けるには限界があり、カメラとAIで補う考え方が広がっている理由がここにあります。
メリットと注意点
見落とされがちなのが、映像や写真を外部のサービスに預けることになるという点です。現場の映像には、施主の建物の内部や作業員の顔が写ります。クラウド型のサービスを使う場合は、データの保存場所、保存期間、学習への再利用の有無を契約前に確認してください。詳しくは情報漏洩対策も参考になります。
費用の考え方も押さえておきましょう。既製のサービスを月額で使う形なら、カメラ代と利用料で始められます。一方、自社の判定基準に合わせてAIを一から学習させる場合は、画像を集めて正解を付ける作業に相応の手間と費用がかかります。まずは既製品で試し、どうしても合わない部分だけ作り込むという順番が、規模の小さい会社にとっては現実的です。
失敗しない始め方
画像認識AIは、道具そのものより「どの作業に当てるか」で成否が決まります。次の順番で進めると、無駄な出費をしにくくなります。
1目で見て確認している作業を数える
1か月分について、誰が何を何回確認しているかを書き出します。作業の種類、月あたりの回数、1回あたりの所要時間の3つが分かれば、削減できる時間の見当がつきます。ここを飛ばすと、導入後に効果を説明できません。
2判断基準が言葉にできる作業を選ぶ
寸法や有無で合否が決まる作業を1つだけ選びます。「なんとなく雰囲気で分かる」種類の判断は、学習させる正解を定義できないため向きません。
3自社の現場写真で試す
カタログの精度表示ではなく、実際に自社の現場で撮った写真を試用期間中に読ませます。逆光、雨、粉じん、対象が小さい写真など、条件の悪いものを必ず混ぜて試すことが重要です。
4撮り方を決めて共有する
どの距離から、どの角度で、何を写して撮るかを決め、見本写真を1枚用意して現場に配ります。同じ道具でも、撮り方が揃うかどうかで結果は大きく変わります。
5判定後の流れと責任の所在を決める
判定結果を誰がどの帳票に反映するのか、AIが不合格と出したとき誰が最終判断するのかを決めます。ここが曖昧だと、結局は全件を人が見直すことになり効果が消えます。
6効果を測って次に広げる
最初に数えた確認時間と比べ、どれだけ短くなったかを確認します。数字が出てから、次の作業へ広げます。
この「小さく試して効果を測ってから広げる」進め方はPoC（概念実証）の考え方そのもので、社内で予算を通すときの説明材料としても有効です。
よくある質問
Q. 画像認識AIとOCRは何が違うのですか？
読み取る対象が違います。OCRは紙や画像に写っている文字をテキストデータに変換する技術で、請求書の金額や手書き日報の内容を扱います。画像認識AIは、文字ではなく物や状態を判別する技術で、鉄筋継手の良否やヘルメットの着用有無、ひび割れの位置などを扱います。技術の土台は近く、両方を組み合わせた製品もありますが、「文字ならOCR、物や状態なら画像認識」と押さえておけば選定に迷いません。
Q. 精度はどれくらい期待できますか？
対象と撮影条件によって大きく変わるため、一律の数字は示せません。判断の基準が寸法や有無ではっきりしていて、撮影の角度や明るさがそろう作業ほど安定します。逆に、逆光や雨天、対象が小さく写る条件では判定が外れやすくなります。カタログの数値をそのまま信じず、自社の現場で撮った条件の悪い写真を含めて試用期間中に検証してください。いずれにせよ、人が最終確認する前提で運用するのが安全です。
Q. 小さな工務店でも導入できますか？
使う範囲を絞れば可能です。すでにスマートフォンで撮影して判定する形のサービスや、既存の防犯カメラの映像を解析する形のサービスがあり、専用の設備を一から用意しなくても始められます。判断の分かれ目は会社の規模ではなく、対象の作業が毎日繰り返し発生していて、判定基準を言葉にできるかどうかです。まず月あたりの確認回数と所要時間を数え、その時間と利用料を並べて比べるのが確実な判断方法です。
Q. 作業員を撮影することに問題はありませんか？
現場の映像には作業員の顔や行動が写るため、撮影の目的と範囲を事前に周知し、同意を得たうえで運用するのが基本です。誰がどの映像を閲覧できるのか、どれくらいの期間保存するのか、安全管理以外の目的に使わないことを、あらかじめ文書で決めて共有しておくと、現場の受け入れもスムーズになります。個人情報の取り扱いに関わるため、具体的な運用ルールは社内の管理部門や専門家に相談したうえで整えてください。
Q. AIが不合格と判定したら、そのまま是正すればよいですか？
最終判断は人が行う前提にしてください。画像認識AIは学習した範囲の中で判定するため、想定外の状況では誤った結果を出すことがあります。実務では、AIの判定を一次スクリーニングとして使い、不合格や確信度の低いものを人が確認する流れが現実的です。逆に、AIが問題なしと判定したことをもって確認を省略する運用は、見落としをそのまま通してしまうおそれがあります。とくに安全や品質に関わる場面では、責任の所在を人に残しておくことが重要です。
Q. 過去に撮りためた工事写真は役に立ちますか？
役に立ちます。判定させたい対象について正解のついた画像が多いほど、精度は上がります。自社の現場で撮った写真は、その会社特有の撮影条件や資材の傾向を含んでいるため、汎用の学習データより実態に近い学習素材になります。ただし、そのまま使えるわけではなく、何が写っているかを人が示す作業が必要です。まずは既製のサービスで試し、精度が足りない部分について自社の写真を追加学習させる、という順番で考えるとよいでしょう。
どこから手をつけるか迷ったら
画像認識AIは、建設業のAI活用のなかでも効果が数字で見えやすい部類の技術です。ただし成果が出るかどうかは、「自社のどの確認作業に当てるか」と「判定したあとの流れをどう作るか」で決まります。AI番頭では、目視で確認している作業の棚おろしから、対象の選定、撮り方と確認ルールづくりまでを一緒に組み立てています。支援の内容はサービス紹介をご覧ください。「うちの現場写真で判定できるのか試したい」という段階のご相談も、無料診断・お問い合わせから承っています。