道路点検は“目視巡回”から“AI舗装診断”へ：画像解析が変える補修優先度の決め方

道路維持管理では、舗装の状態を早く、正確に把握することが重要です。ひび割れ、ポットホール、わだち掘れ、段差、区画線の劣化、標識や付属物の損傷は、走行安全性、乗り心地、車両損傷、事故リスク、補修コストに直結します。

これまで道路点検は、道路巡回車や技術者による目視確認、定期的な路面性状調査、住民通報、補修履歴をもとに行われてきました。もちろん、現場を知る技術者の判断は今後も不可欠です。しかし、道路延長は膨大で、すべての区間を高頻度に人の目だけで確認し続けるには限界があります。特に自治体では、人員不足、予算制約、老朽化の進行が重なり、補修の優先順位付けが難しくなっています。

そこで注目されているのが、AI舗装診断です。

AI舗装診断とは、車載カメラ、スマートフォン、道路巡回車、ドライブレコーダー、場合によってはドローンや定点カメラで取得した画像をAIが解析し、ひび割れ、ポットホール、わだち掘れ、区画線劣化、標識損傷などを自動検出する仕組みです。検出結果をGIS上に表示すれば、どこを優先的に補修すべきかを地図上で整理できます。

舗装欠陥検出の研究では、従来の手動点検から、機械学習や深層学習を使ったデータ駆動型の点検・予防保全へ移行していることが整理されています。Springerの舗装欠陥検出レビューでは、手動点検から機械学習フレームワークへのパラダイムシフト、エッジコンピューティング、リアルタイム分散監視、予防保全スケジューリングまでが扱われています。

道路点検は、「目視で見つける」段階から、「画像AIで広く検出し、補修優先度をデータで決める」段階へ進みつつあります。

AI舗装診断とは何か

AI舗装診断とは、道路の画像や動画、車両振動、位置情報をAIで解析し、舗装や道路付属物の劣化状態を自動で抽出・分類・評価する技術です。

従来の道路巡回では、巡回員が目視で異常を見つけ、写真を撮り、位置を記録し、補修の必要性を判断していました。AI舗装診断では、走行中の車両やスマートフォンが画像・振動・GPSを取得し、AIが欠陥候補を検出します。その結果をGISやダッシュボードに集約し、道路管理者が補修優先度を判断します。

対象	AIで検出・評価する内容	維持管理での使い方
ひび割れ	線状ひび、亀甲状ひび、幅、密度、範囲	舗装劣化の進行把握、補修区間の抽出
ポットホール	穴、欠損、深さ候補、発生位置	緊急補修、事故予防、住民通報対応
わだち掘れ	車輪走行部の変形、段差、凹凸	切削オーバーレイ、補修計画
パッチング	過去補修跡、再劣化箇所	補修履歴と劣化進行の確認
区画線劣化	白線のかすれ、消失、視認性低下	再塗装計画、交通安全対策
標識・付属物	標識損傷、倒れ、汚れ、視認性低下	道路付属物の維持管理
路肩・排水	路肩崩れ、土砂堆積、水たまり	排水改善、冠水リスク管理

Esri ArcGISの舗装ひび割れ検出モデルは、ドローン画像から舗装ひび割れやポットホールを検出する事前学習モデルとして紹介されており、道路安全性や車両摩耗に影響する舗装劣化を正確に把握し、補修につなげる用途が示されています。

AI舗装診断の目的は、人の点検をなくすことではありません。AIが広範囲の劣化候補を抽出し、人間の技術者が重要度・緊急度・補修方法を判断しやすくすることです。

なぜ目視巡回だけでは足りないのか

道路維持管理では、点検対象が広く、劣化の種類も多く、発生タイミングも予測しにくいという課題があります。ポットホールは短期間で発生し、交通事故や車両損傷につながることがあります。ひび割れは徐々に進行し、雨水浸入や舗装の劣化を加速させます。区画線の劣化は、夜間や雨天時の視認性に影響します。

目視巡回は重要ですが、巡回頻度、担当者の経験、天候、交通量、記録方法によって結果がばらつく可能性があります。

目視巡回の課題	AI舗装診断で補完できること
巡回頻度に限界がある	一般車両や巡回車で高頻度に画像取得
判断が担当者に依存する	AIで一定基準の欠陥候補を抽出
位置記録に手間がかかる	GPSと画像を自動で紐づけ
写真整理が大変	AIで欠陥種別・位置・時刻を自動整理
劣化の進行比較が難しい	同一区間の時系列比較が可能
補修優先度が属人的になりやすい	劣化度、交通量、路線重要度でスコア化

舗装損傷検出のレビューでは、手動点検は時間と労力がかかる一方、近年の自動化システムは検出精度を高めてきたものの、データセット間の汎化性や計算負荷などの課題も残ると整理されています。AIは万能ではありませんが、従来点検を補完する実務的な選択肢になっています。

AIが検出できる舗装・道路異常

AI舗装診断で重要なのは、単に「異常あり」と判断することではありません。異常の種類、位置、範囲、深刻度を分類し、補修判断につなげることです。

異常種別	AIで見る特徴	補修判断での意味
線状ひび割れ	細い線、方向、長さ、連続性	早期補修、シール材注入、経過観察
亀甲状ひび割れ	網目状のひび割れ、面積	構造的劣化、表層・基層補修候補
ポットホール	円形・不定形の穴、影、欠損	緊急補修、事故リスク対応
わだち掘れ	車輪部の凹み、縦方向変形	切削、オーバーレイ、舗装更新
段差・沈下	路面の凹凸、継ぎ目、マンホール周辺	走行安全性、補修優先箇所
区画線劣化	白線のかすれ、消失、連続性低下	再塗装、夜間安全対策
標識損傷	傾き、破損、汚れ、視認性低下	道路付属物点検、交換
路肩損傷	崩れ、欠損、排水不良	交通安全、排水改善

東芝と東芝デジタルソリューションズは、高速道路の路面ポットホールをリアルタイム検出するAIを開発し、中日本高速道路での定期巡回の高度化に向けて有効性を検証したと発表しています。高速走行時に重大事故につながり得る路面異常を、AIでより迅速に検出する方向性を示す事例です。

車載カメラ・スマートフォンで広域に集める

AI舗装診断の大きな特徴は、専用の高価な計測車だけでなく、車載カメラやスマートフォンを使ってデータ収集できる点です。もちろん、高精度な路面性状調査車は今後も重要ですが、日常的な巡回や広域スクリーニングでは、手軽な取得手段が有効です。

取得方法	特徴	向いている用途
道路巡回車の車載カメラ	既存巡回業務に組み込みやすい	幹線道路、自治体道路、定期巡回
スマートフォン	低コストで導入しやすい	生活道路、地方自治体、広域スクリーニング
ドライブレコーダー	常時走行データを活用しやすい	日常走行からの異常候補抽出
専用路面性状車	高精度な計測が可能	重要路線、詳細調査、補修設計
ドローン画像	上空から俯瞰可能	駐車場、橋面、限定エリア
定点カメラ	継続観測が可能	工事区間、交差点、冠水・劣化監視

スマートフォンを使った道路点検サービスも広がっています。Roadlyは、車のフロントガラスに取り付けたスマートフォンで道路状態を自動検出するAI道路調査を提供しており、舗装損傷や道路資産の点検を手軽に行える仕組みを示しています。

日本でも、スマートフォンを車両に取り付けて前方画像や振動データをAI解析する道路点検サービスが登場しています。SmartCity Research InstituteのGLOCAL-EYEZは、一般車両にスマートフォンを搭載し、車両振動データと前方画像をAIで解析して舗装や道路付属施設の状態を評価するクラウドサービスとして紹介されています。

GISダッシュボードで補修優先度を見える化する

AI舗装診断の価値は、異常を検出するだけではありません。検出した異常を地図上に整理し、補修優先度を決めることです。

道路管理では、限られた予算の中で、どの路線・どの区間を先に補修するかを決める必要があります。そのためには、異常の種類、深刻度、交通量、通学路、バス路線、緊急輸送道路、住民通報、過去補修履歴を組み合わせる必要があります。

GISで可視化する情報	補修判断での使い方
欠陥位置	どこに問題があるかを地図上で把握
欠陥種別	ひび割れ、ポットホール、区画線劣化を分類
深刻度	緊急補修、計画補修、経過観察に分類
交通量	交通影響の大きい区間を優先
路線重要度	通学路、バス路線、緊急輸送道路を考慮
住民通報	苦情・通報とAI検出箇所を照合
補修履歴	再劣化箇所や補修効果を確認
予算枠	補修候補を年度計画へ落とし込む

RoadScanは、ダッシュカメラとAIソフトウェアでポットホール、ひび割れ、道路上の危険を検出し、位置・深刻度・補修緊急度をSaaSプラットフォームで確認できると説明しています。道路維持管理では、AI検出とGISダッシュボードの組み合わせが、補修優先度の判断に直結します。

GIS化された舗装診断データは、道路管理者だけでなく、施工会社、補修業者、発注者、住民対応部門とも共有しやすくなります。

補修優先度は“検出数”だけで決めない

AIが異常をたくさん検出しても、すべてをすぐに補修できるわけではありません。重要なのは、補修優先度の考え方です。

ポットホールは小さくても緊急性が高い場合があります。一方、ひび割れは広範囲でも、すぐに事故につながらない場合があります。通学路や交通量の多い幹線道路では優先度が高くなります。橋梁上や交差点付近など、事故影響が大きい場所も優先的に見る必要があります。

評価軸	内容	優先度への影響
損傷種別	ポットホール、ひび割れ、わだち掘れなど	緊急性が変わる
深刻度	大きさ、面積、深さ、連続性	補修方法と優先度を左右
交通量	車両・歩行者・自転車の通行量	影響範囲が大きい区間を優先
路線重要度	緊急輸送道路、通学路、バス路線	社会的影響を考慮
事故リスク	交差点、カーブ、夜間視認性	安全上の優先度を上げる
進行速度	前回点検から悪化した度合い	予防保全の対象
補修履歴	繰り返し劣化しているか	根本対策の検討
予算・施工性	補修費、交通規制、工期	年度計画へ反映

Nature Scientific Reportsの研究では、YOLOv8による舗装欠陥検出と深刻度分類、さらにTOPSISによる多基準意思決定を組み合わせ、検出・深刻度推定・補修優先順位付けを同時に行う枠組みが提案されています。AI舗装診断は、単なる異常検出から、データ駆動型の維持管理計画へ進みつつあります。

AI舗装診断の業務フロー

AI舗装診断を現場で使うには、画像を撮ってAIにかけるだけでは不十分です。データ取得、AI解析、確認、GIS登録、補修判断、施工、再評価までを一つの流れとして設計する必要があります。

工程	内容	ポイント
走行・撮影	車載カメラやスマートフォンで道路画像を取得	撮影頻度、画角、GPS精度を標準化
AI解析	ひび割れ、ポットホール、区画線劣化を検出	誤検知・見逃しの確認が必要
深刻度分類	大きさ、面積、連続性から重症度を評価	補修判断に使える粒度にする
GIS登録	欠陥位置と画像を地図上に登録	路線・区間単位で管理
技術者確認	AI検出結果を人がレビュー	重要箇所は現地確認
優先度付け	交通量、路線重要度、予算を考慮	年度補修計画へ反映
補修実施	パッチング、シール、オーバーレイなど	補修履歴を記録
再評価	補修後の状態を再撮影・比較	補修効果と再劣化を確認

この流れにより、道路維持管理は「巡回で見つけたら補修」から、「データを継続取得し、劣化の進行と重要度を見ながら補修」へ変わります。

予防保全と舗装マネジメントへの接続

AI舗装診断は、緊急補修だけでなく、予防保全にも使えます。

ポットホールが発生してから補修するだけでは、事故リスクや苦情対応が増えます。ひび割れやわだち掘れの初期段階を把握し、劣化が進む前に適切な補修を行えば、長期的な維持管理コストを抑えられる可能性があります。

機械学習を舗装マネジメントシステムに統合する研究では、AIが舗装状態評価の精度向上、性能予測、維持修繕意思決定の最適化に役立つ可能性が整理されています。Machine Learning Applications in Road Pavement Managementは、従来の舗装マネジメントの限界と、AIによる状態評価・性能予測・補修意思決定の改善可能性をレビューしています。

予防保全で使うデータ	活用方法
ひび割れ密度	劣化初期区間を抽出
前回との差分	悪化速度が速い区間を優先
交通量	劣化進行が早い路線を予測
雨水・排水条件	水の影響を受けやすい区間を把握
補修履歴	再劣化しやすい場所を特定
舗装年齢	更新時期の目安に利用
路線重要度	社会的影響が大きい区間を優先

AI舗装診断は、道路管理を「壊れたら直す」から「壊れる前に重点管理する」方向へ進める基盤になります。

自治体・道路管理者での活用イメージ

AI舗装診断は、国道や高速道路だけでなく、自治体が管理する生活道路にも有効です。むしろ、膨大な延長を限られた職員で管理する自治体ほど、AIによるスクリーニングの価値があります。

管理者	活用イメージ
自治体	生活道路の劣化状況をスマートフォンや巡回車で広域把握
道路管理者	幹線道路のひび割れ・ポットホール・区画線劣化を定期監視
高速道路会社	高速走行時に危険なポットホールや路面異常を早期検出
補修会社	AI診断結果をもとに補修範囲・工法・優先度を提案
交通安全担当	区画線劣化、標識損傷、交差点付近の危険箇所を確認
住民対応部門	通報箇所とAI診断結果を照合し、対応履歴を管理
災害対応部門	地震・豪雨後の道路損傷候補を効率的に把握

国土交通省も、道路分野でIoT、ビッグデータ、AI、ロボティクスなどの技術革新を活用し、道路維持管理の効率化・高度化を進める方向性を示しています。

導入時に注意すべきポイント

AI検出結果は人が確認する

AIはひび割れやポットホールを検出できますが、影、雨、落ち葉、路面標示、補修跡、マンホール、車両の影などを誤検知することがあります。逆に、暗所や雨天、低解像度画像では見逃しも起こります。

重要区間や緊急補修候補は、技術者が確認する運用が必要です。

撮影条件を標準化する

画像AIの精度は、撮影条件に左右されます。カメラ角度、車速、解像度、夜間・雨天、逆光、振動、GPS精度がばらつくと、比較しにくくなります。

AI舗装診断を継続運用するには、撮影ルールを標準化することが重要です。

欠陥分類を管理目的に合わせる

AIが細かく分類しても、道路管理者の補修判断に使えなければ意味がありません。ひび割れの種類、深刻度、補修方法、予算区分に合わせて、分類ルールを設計する必要があります。

GISと補修履歴までつなげる

AI検出結果が画像一覧で終わると、維持管理には使いにくくなります。位置情報、路線番号、区間、補修履歴、施工日、担当者、住民通報と紐づけることが重要です。

モデルの地域差・路面差に注意する

舗装材料、路面色、気候、交通量、撮影機材が変わると、AIモデルの精度も変わります。導入時には、対象地域の画像で精度確認し、必要に応じて追加学習やルール調整を行う必要があります。

KPIで見るAI舗装診断の効果

AI舗装診断の導入効果は、「AIで検出した件数」だけでなく、道路維持管理がどれだけ効率化され、補修判断が早くなったかで評価する必要があります。

KPI項目	内容	改善に使えるポイント
巡回延長	一日・一週間で画像取得できた道路延長	点検カバー率の向上
異常候補検出数	ひび割れ、ポットホール、区画線劣化などの検出数	劣化状況の把握
AI検出精度	技術者確認で正しいと判断された割合	モデル改善、撮影条件改善
見逃し率	人の確認で後から見つかった異常の割合	安全性と信頼性の確認
補修優先度付け時間	検出から補修候補選定までの時間	意思決定の高速化
緊急補修対応時間	ポットホール検出から補修完了までの時間	事故リスク低減
補修後再劣化率	補修箇所が再び劣化した割合	工法選定と品質改善
住民通報との一致率	通報箇所とAI検出箇所の一致度	通報対応の効率化
GIS登録率	検出結果が地図・台帳に登録された割合	データ管理の定着
報告書作成時間	点検・補修計画資料の作成時間	業務効率化

AI舗装診断の本質は、点検を速くするだけではありません。道路状態を継続的に見える化し、補修優先度を説明可能にすることです。

現場で使えるAI舗装診断チェックリスト

• 対象はひび割れ、ポットホール、わだち掘れ、区画線劣化、標識損傷のどれか
• データ取得は道路巡回車、スマートフォン、専用車、ドローンのどれで行うか
• 撮影角度、車速、解像度、天候条件を標準化しているか
• GPS精度と路線番号・区間の紐づけができるか
• AI検出結果を技術者が確認するフローがあるか
• 欠陥種別と深刻度を補修判断に使える分類にしているか
• GISダッシュボードで位置・画像・深刻度を確認できるか
• 交通量、通学路、緊急輸送道路などの路線重要度を考慮するか
• 補修履歴、住民通報、事故履歴と連携するか
• KPIとして巡回延長、検出精度、補修優先度付け時間を管理するか
• 補修後の再撮影で効果を確認するか

このチェックリストの目的は、AIで道路を自動判定することではありません。広い道路網の状態を効率よく把握し、限られた予算でどこを先に直すべきかを判断しやすくすることです。

まとめ

道路維持管理は、目視巡回だけに頼る段階から、画像AIで広く劣化候補を検出し、補修優先度を整理する段階へ進みつつあります。ひび割れ、ポットホール、わだち掘れ、区画線劣化、標識損傷を、車載カメラ、スマートフォン、道路巡回車、AI画像解析、GISダッシュボードで管理することで、道路管理の効率と説明性を高められます。

舗装欠陥検出の研究では、手動点検から機械学習・深層学習を活用したデータ駆動型の予防保全へ移行していることが整理されています。AIは人の判断を置き換えるものではなく、広い道路網から補修候補を早く抽出し、技術者が優先順位を決めやすくする支援技術です。

今後のKPIは、巡回延長、異常候補検出数、AI検出精度、補修優先度付け時間、緊急補修対応時間、GIS登録率、報告書作成時間へ移っていきます。道路点検は「見つけたら直す」から、「データで劣化を見える化し、優先順位を決めて直す」時代へ進んでいくでしょう。