ストリートビューで建物の耐震診断：AIが数カ月の調査を数時間に短縮

地震などの自然災害が発生した際、自治体が直面する最大の壁の一つが建築物の安全点検です。専門家が街中を歩いて一軒ずつ目視確認する場合、都市全体の点検を終えるまでに数カ月かかることも珍しくありません。

フロリダ大学でAIを研究するChaofeng Wang助教は、この課題を解決するため、Googleストリートビューなどの画像データとディープラーニングを組み合わせた建物の自動安全性評価プロジェクトを進めています。

従来は数カ月を要していた全棟調査を、AIの処理能力によってわずか数時間に短縮することを目指しています。

ストリートビューから壁の素材まで解析

このシステムは、米連邦緊急事態管理庁（FEMA）が定めるP-154基準に基づいて建物をスコアリングします。画像から建物の構造タイプや推定築年数、屋根や壁の素材までをAIが識別し、耐震リスクなどを判定する仕組みです。

精度の向上に向けて、Wang氏は世界銀行の「レジリエント・ハウジング・グローバル・プログラム」とも連携し、画像の収集とアノテーションを実施しました。

画像解析の処理基盤には、フロリダ大学のスーパーコンピュータ「HiPerGator」に組み込まれたNVIDIA DGX A100システムを使用しています。解析結果は地図ベースのウェブポータルに統合され、行政の担当者が建物の材質や安全スコアを一目で把握できるようになっています。

現在、メキシコの一部の自治体で実証実験が行われているほか、アフリカ、アジア、南米の国々からも関心が寄せられています。これまでに世界各国の約8都市でテストされており、FEMA P-154基準に基づくスコアの判定精度は85%を超えています。

建築文化の違いと画像の鮮度が課題

一方で、実用化に向けた課題も明確です。国や地域ごとに建築様式や都市の過密さが大きく異なるため、モデルの汎化性能をどう保つかが難関となっています。

Wang氏によると、外壁の塗装色が変わるだけで壁材の判定を誤るケースがあるなど、実環境の多様性を網羅するにはより高品質な学習データが不可欠です。

また、Googleストリートビューの更新頻度が数年に1回程度にとどまる点も制約となります。平時の防災計画や統計把握には十分ですが、画像が整備されていない農村部や災害直後の迅速な被害把握には、自治体が独自に撮影した画像を投入する必要があります。

研究チームは現在、他システムと連携しやすいAPIや、行政機関が直感的に扱えるアプリケーションの開発を進めています。

なぜ重要か

都市の防災点検はこれまで専門技術者の頭数に依存しており、予算や人員が限られる地域では十分な事前対策が打てないケースが多々ありました。日常的に利用されているストリートビューという公開データを、防災インフラの評価ツールへ転用した発想は非常に合理的です。

行政にとっては、災害が起きる前に補強すべき危険建築物を低コストで洗い出せるメリットがあります。将来的には、都市計画の策定だけでなく、損害保険業界におけるリスク査定の迅速化にも波及する可能性があります。

ただし、外観画像に頼るAIには構造的な限界もあります。建物の内部の劣化状態や地盤、基礎の欠陥まではカメラに映らないためです。この技術は全自動の診断装置というより、専門家を優先派遣すべきエリアを絞り込むための一次スクリーニングツールとして位置づけるのが現実的だと考えられます。