全国の管路が一斉に更新期を迎える一方、管内を目視で診断できる技術者は減り続けています。管内カメラの映像は膨大に蓄積されるのに、判定は人の熟練に依存したまま——この構造をどこまで画像AIで支えられるのか。現場の手触りから、できること・まだ難しいことを整理します。
上下水道の管路は、高度経済成長期からバブル期にかけて全国で集中的に敷設されました。管には法定耐用年数の目安があり、その多くが更新の時期に差し掛かっています。実際の寿命は埋設環境や管種で大きく異なるため一律には語れませんが、「同じ時期に入れたものが同じ時期に一斉に古くなる」という構造そのものが、自治体・水道事業者にとって重い課題になっていると考えられます。制度上の更新基準や補助の枠組みは変わりうるため、最新の適用範囲は所管省庁の公表資料でご確認ください。
一方で、管を実際に更新できる予算も工事枠も限られています。だからこそ「どの路線から手を付けるか」という優先順位付け、つまり健全度判定が要になります。ところが管内は人が容易に入れないため、判定の入口は管内カメラ（CCTV車・自走式ロボット・小型ドローン等）の映像に頼らざるを得ません。映像は撮れば撮るほど溜まりますが、それを見て損傷を拾い、ランク付けし、報告書に落とせる熟練技術者は増えていない——ここに需給のギャップがあると考えます。
現場では、1日の調査で数キロぶんの映像が生まれることも珍しくありません。技術者はその映像を早送り・巻き戻ししながら損傷箇所を探し、種類を判別し、規格に沿って記録します。集中力を要する目視作業で、深夜に及ぶこともある。ベテランと若手で拾える損傷が変わる、という判定のばらつきも生まれやすい。人手不足と老朽化更新が同時に来る構造は、道路橋やトンネルなど他分野とも共通します。この点は老朽化点検と人材不足でも整理しています。
画像AIを検討する前に、そもそも管路調査で拾いたい対象を棚卸しすると、要件が見えやすくなります。下水・上下水道の管内で問題になる代表的な事象は、性質がかなり異なります。ひとまとめに「異常検出」と考えるより、対象ごとに難易度と価値を分けて考えるのが現実的だと考えます。
クラック（縦・横・らせん・複合）、破損・欠損、腐食や管材の劣化、管の変形・扁平、継手のズレや目地の開き。これらは更新の緊急度に直結します。ひび割れは幅や連続性で意味が変わり、継手ズレは浸入水や土砂流入の入口になりうる。構造欠陥は健全度ランクの根幹に関わるため、検出できるかだけでなく「どの程度の重さか」を段階分けできるかが問われます。
堆積物（土砂・スケール・油脂）、木の根の侵入、モルタルや取付管の突出、浸入水・漏水の痕跡。これらは流下能力の低下や詰まりに関わり、清掃・維持管理の判断につながります。浸入水は「にじみ」から「噴き出し」まで程度差が大きく、水位や濁りの影響も受けやすいため、静止画一枚での判定が難しい典型例だと考えます。
マンホール蓋の摩耗・ガタつき・浮上、内部の腐食や足掛金物の劣化、さらには浄水場・ポンプ場の設備（配管・弁・躯体のクラックや漏水痕）。これらは管内カメラとは別の撮影になりますが、「劣化を画像で捉えて更新計画に反映する」という発想は共通します。構造物・設備を横断して画像AIで捉える考え方はインフラ点検の画像AI化で扱っています。
管内調査の映像は、走行しながら連続して撮る「動画」であることが特徴です。したがって画像AIの役割も、単純な良否判定ではなく「長い映像から損傷が写るフレームを拾い上げ、種類を分類し、位置（距離程）と対応づける」という流れで考えると自然です。人が全編を等速で見る負担を、AIが一次スクリーニングで肩代わりする——という位置づけです。
第一に検出：映像中のどこに何かがありそうかを拾う。第二に分類：それがクラックなのか継手ズレなのか堆積物なのかを見分ける。第三に程度分け：軽微か重度かの目安を付ける。ここで大事なのは、AIの出力を「確定判定」ではなく「候補の提示」と割り切ることです。欠陥検出・分類そのものはVision AI製品のような画像AIの得意領域に重なりますが、管内は濁り・反射・水位という難条件が重なるため、人が最終確認する前提で組むのが誠実だと考えます。
従来の画像認識は「あらかじめ決めた欠陥種を分類する」のが基本でした。一方、近年のVLM（Vision Language Model）は、画像を見て言語で説明・記述できるため、「継手部から水がにじみ、周囲に堆積物がある」といった複合的な状態を文章の下書きとして起こす使い方が考えられます。定型分類はしきれない現場の言い回しに寄せた報告文の一次案づくりに向きうる、という点で、旧来手法と補完関係になりうると考えます。ただしVLMの記述も検証前提であることは変わりません。
管路調査は電波の届かない地中・郊外・夜間も多く、常時クラウドに大容量映像を上げられるとは限りません。撮影車や機材側の小型GPU（Jetson等のエッジ）で一次処理し、損傷候補フレームと距離情報だけを持ち帰る構成なら、通信や持ち帰りデータ量を抑えられる可能性があります。現場の照明・カメラ・処理までを一体で設計する発想は、元キーエンス画像処理事業部の現場知見とVLM・産業用カメラ・ライティングを組み合わせるNsightの立ち位置とも重なります。
管内画像AIの成否は、モデルの巧拙よりも撮影条件で大きく左右されると考えます。同じアルゴリズムでも、澄んだ空管をきれいに照らして撮った映像と、濁水・高水位・逆光反射だらけの映像では、拾える損傷がまったく変わります。したがって設計は「良い映像をどう撮るか」と「その映像で何がどこまで見えるか」の二本立てで考えるのが現実的です。
クラックのような微細な線状欠陥は、光の当て方（斜め照明で陰影を立てる等）で見え方が一変します。腐食やスケールは色・質感の情報が要るため、ホワイトバランスや解像度が効きます。水位が高ければ管底は写らず、濁っていれば浸入水も堆積も判別しにくい。「AIに通す前段の光学設計」が精度の土台になる、という感覚は産業用外観検査と共通します。ここは現場ライティングの知見が生きる領域だと考えます。
最終的に事業者が欲しいのは「どの路線が危ないか」という優先順位です。AIが個々の損傷を拾えても、それを健全度判定の枠組み（規格・自局基準）にどう結び付けるかは別の設計です。AI出力はあくまで一次候補とし、程度の重み付けや路線単位の集計は、既存の判定基準に沿って人が確定する。この「画像の異常兆候を早期に拾い、保全の優先度に翻訳する」流れは予兆を捉える保全設計の考え方と地続きだと考えます。
画像AIが最も価値を出しうるのは、派手な「自動判定」よりも地味な「報告業務の下支え」かもしれません。管内調査の実務は、損傷を拾ったあとに距離程・種類・程度を規格様式に記録し、静止画を切り出して報告書にまとめる——という手作業が重い。ここでAIが損傷候補フレームと分類・位置の下書きを先に用意できれば、技術者は「探す」から「確認して直す」に軸足を移せる可能性があります。
人の目視は集中力の谷で見落としが出やすく、AIは苦手条件で取りこぼす。両者は苦手が違うため、AIの一次スクリーニングと人の確認を重ねる二重化は、全体の見落としを減らす方向に働きうると考えます。逆に「AIが拾わなかった＝異常なし」と鵜呑みにすると危険で、AI導入後も難条件区間は人が丁寧に見る運用設計が要ります。
管路は一度直して終わりではなく、同じ路線を数年おきに再調査します。過去映像と今回映像を同じ距離程で並べられれば、「前回にじみ→今回噴き出し」のような進行を捉えやすくなる。調査画像を路線・距離・損傷単位で蓄積し、異常箇所を管理する基盤づくりは、更新計画の精度を長期で押し上げうると考えます。撮り溜めた画像の蓄積と異常箇所の管理という観点では遠隔監視サービスの発想も参考になります。
画像AIは万能ではなく、管路調査には固有の難しさがあります。過度な期待で入れると「思ったより拾えない」「かえって確認が増えた」となりかねません。誠実に、想定される落とし穴を挙げます。
これらは「だから使えない」ではなく、「どこまでを人が担い、どこをAIに任せるか」を線引きするための材料だと考えます。限界を織り込んで役割分担を設計できれば、画像AIは調査の質と速度を底上げする道具になりうると考えます。
管路画像AIの導入可否は、カタログ精度ではなく「自局の映像で本当に使えるか」で決まると考えます。管種構成・濁り・照明・カメラ品質は事業者ごとに違うため、一般論の精度は当てになりにくい。だからこそ、いきなり全面導入ではなく、手元にある既存調査映像で試写・検証する小さな一歩が、最も客観的で確実な出発点になると考えます。
まず、過去に撮り溜めた代表的な路線の映像を数区間ぶん持ち寄り、クラック・浸入水・堆積物・継手ズレなど自局で重視する対象がどの程度拾えるかを確認する。次に、拾えた／拾えなかったケースを技術者と一緒に振り返り、照明やカメラ条件の改善余地と、AIに任せる範囲・人が確認する範囲を切り分ける。ここまでを小さく回してから、報告書づくりや経年比較への組み込みへ広げる——という段取りが現実的だと考えます。いずれの数値・効果も現物・現場での検証が前提です。
劣化・異常を画像で捉え、路線単位の優先順位や更新計画に翻訳していく取り組みは、水道分野に限らずインフラ・設備の予知保全に共通します。管内映像を入口に、どこまでを画像AIで下支えできるかを一緒に見極める観点では、予知保全AIソリューションの考え方が土台になると考えます。
損傷が映っている映像であれば、クラック・浸入水・堆積物・継手ズレなどの候補を検出・分類する下書きづくりは現実的になりうると考えます。ただし濁り・水位・照明・管種で精度は大きく変わり、程度判定は人の確認が前提です。AI出力は確定判定ではなく一次候補として扱い、自局の既存映像での検証から始めることをおすすめします。
陶管・塩ビ・ヒューム管・更生管などで見え方が異なり、ある条件で通用したモデルが別管種でそのまま効くとは限りません。自局の管種構成・撮影条件で試写し、拾える対象と苦手な条件を確認したうえで役割分担を設計するのが現実的だと考えます。一般論の精度値は当てになりにくいため、現物での検証を前提にお考えください。
個々の損傷候補を拾うところまでは画像AIが下支えしうると考えますが、健全度ランクは規格や自局基準に沿った総合判断であり、程度の重み付けや路線単位の集計は人が確定する設計が現実的です。判定基準は改定されうるため、適用範囲は所管省庁や関係規格の最新資料でご確認ください。AIはあくまで技術者の判断を速める道具と位置づけています。
地中・郊外・夜間など電波が届きにくい現場では、機材側の小型GPU（エッジ）で一次処理し、損傷候補フレームと位置情報だけを持ち帰る構成が選択肢になりうると考えます。大容量映像を常時クラウドへ上げずに済む可能性がありますが、実際の処理速度やデータ量は機材・映像条件に依存するため、現場条件での検証が前提となります。
まず過去に撮り溜めた代表的な路線の既存映像を数区間ぶん用意し、自局で重視する損傷がどの程度拾えるかを試写・検証するのが、客観的で確実な出発点になると考えます。そこで得た結果をもとに、照明・カメラ条件の改善余地と、AIに任せる範囲・人が確認する範囲を切り分けていく進め方が現実的だと考えます。
クラック・浸入水・堆積物・継手ズレなど、御局で重視する対象がどの程度検出・分類できるかは、実際の映像で試すのが一番の近道です。過去の調査映像を持ち寄って、できること・まだ難しいことを一緒に見極めるところから始められます。
管路画像AIの検証について相談する