건축/환경에너지

Nikkei Construction_2017.8.28 특집 요약 (p36~61)

유지∙보수 2017
유지관리 현장의 AI 활약
점검∙진단 자동화가 더 이상 꿈 같은 이야기가 아니다

일손이나 예산부족에 고민하는 유지관리의 현장에 AI(인공지능)가 찾아 왔다. 균열을 자동으로 검출하거나 열화(劣化)를 예측하는 등의 용도는 다양하다. 그 동안 쌓아 온 과제를 해결하기 위해 다양한 기업이 개발에 매진하고 있다. AI의 도입에 관심이 있거나 실력에 회의적인 당신도 먼저 이 특집에서 다양한 사례를 접함으로써 그 가능성을 몸소 느끼길 바란다.

PART 1. 활용 동향
유지관리와 AI는 찰떡궁합 ?

토목현장, 그 중에서도 유지관리에 AI(인공지능)을 적용하는 움직임이 활발하다. 사회생활과 경제활동을 보이지 않는 곳에서 지원하는 토목과 자동차의 자율주행에서 의료, 바둑에 이르기까지 화제의 중심에 서있는 AI---. 언뜻 어울리지 않는 조합인 듯 보이지만, 실은 서로 찰떡 궁합이다.

세계는 지금 AI(인공지능) 붐이 일고 있다. 토목와 그 주변 분야에서도 AI관련의 연구 및 기술 개발이 활발하게 이루어지고 있다. 이 글에는 본지가 취재 및 보도 발표자료, 논문 등을 기반으로 작성한 AI의 개발사례 맵(Map)을 첨부했다.

대형 건설회사 및 인프라 기업이 AI의 활용을 경영전략의 축으로 삼기 시작한 것은 대략 2016년 이후. 예를 들어 오바야시구미(大林組)는 2017년 3월 24일에 발표한 2021년까지의 중기경영계획에서「AI를 구사한 생산성 향상」을 건설분야의 사업전략으로 자리매김했다.  

한신(阪神) 고속도로회사는 2016년 4월, 그룹의 미래상을 그린「한신고속그룹 비전 2030」에서 AI에 의한 교통제어의 고도화를 목표로 내걸었다. 도로의 유지관리의 효율화에도 매진할 예정이다. JR동일본도 2016년 11월에 작성한「기술혁신 중기 비전」에서 안전확보 및 유지관리에 AI를 활용한다는 방침을 세웠다.

싱크탱크인 EY총합연구소(2017년 6월 30일 해산)는 2015년 9월에 발표한 리포트에서 AI관련 산업의 국내 시장규모가 2030년에는 86조 9,600억엔으로 확대될 것이라고 예측했다. 건설분야는 이 중에서 약 6조엑엔을 차지하는 유망분야이다. 고감도 기술을 가진 건설관련 기업은 IT기업과 팀을 이뤄 개발한 AI를 현장에 도입하려는 모색을 시작하고 있다.

-- 인력부족이 AI의 활용을 뒷받침 --
건설회사 및 인프라 기업이 AI에 뛰어든 배경에는 가까운 미래에 직면하게 될 심각한 인력부족과 생산성 향상을 지향하는 분위기가 고조되고 있다는 점이 있다. 건설분야에서의 기술노동자의 연령 구성에서 계산하면, 2015년에 331만명이었던 직장인 중 100만명 전후가 향후 10년간 고령화 등을 이유로 직장을 그만둘 것으로 보인다. 설계 및 공사를 담당하는 기술자의 부족도 업계 고민의 원인이 되고 있다.

지금까지 기술자 및 직장인이 맡아온 역할의 일부를 AI로 전환시킴으로써 인력부족을 극복하여 더욱 비약적인 생산성을 높이려고 계획하는 기업은 많다. i-Construction을 슬로건으로 내건 국토교통성도 공사 및 유지관리의 생산성 향상에 AI가 도움이 될 것으로 보고 환영하는 입장이다.

--「딥러닝」이 견인 역할 --

-- 도로 포장 점검 시장의 쟁탈전 --
조사, 계획, 설계, 시공, 유지관리, 시설운영의 각 단계 중, AI 관련의 개발이 앞서가고 있는 것이 유지관리의 단계이다. 그 중에서도 가장 주목 받는 테마 중 하나가 도로 포장의 점검. 균열 및 지면에 생긴 구멍을 AI로 검출하여 건전성에 순위 매기는 기술을 무기로, 복수의 진영이 경쟁하고 있다.

고속도로 및 국도에서는 노면상태 측정차를 사용하여 도로 포장의 균열과 바퀴자국으로 인해 패인 곳, 평탄성을 조사하여 MCI(Maintenance Control Index)로 불리는 지표를 산출. 수선 및 새로 시공해야 할 필요성을 판단하는 근거가 되고 있다.

그러나, 노면상태 측정차에 의한 조사는 비용이 커질 뿐만 아니라, 시간도 많이 걸린다. 고속도로 및 국도처럼 세밀한 관리가 불필요한 시내나 농촌의 생활도로 등에서는 일손을 들이지 않고 저렴하게 점검하려는 수요가 많다. 여기에서 각광을 받는 것이 AI를 사용한 포장의 점검 시스템인 것이다.

-- 성인용 동영상의 검출 기술을 응용 --
NTT 콤웨어는 지금까지는 살갗의 노출도 등을 기반으로 인터넷 상의 성인용 동영상을 필터링 하는 기술 및 감시 카메라에 의한 수상한 사람 검출과 같은 서비스로 딥러닝을 활용해 왔다. 당사 비즈니스 인큐베이션부 기술개발부의 이토(伊藤) 과장은「사회 인프라의 노후화와 유지 관리에 관련된 인력부족에 부응하기 위해 2년 정도 전부터 시스템 개발을 추진해 왔다」라고 말한다.

-- 자사의 업무 효율화에도 활용 --
AI로 포장 점검을 효율화하려고 자체 기술개발에 도전하는 도로관리자도 있다. 바로 한신 고속도로 회사이다. 당사에서는「닥터 패드」라고 불리는 노면 상태 측정차의 후방에 탑재한 라인 스캔 카메라로 균열을 검출. 균열 발생률을 계산하고 있다.

그룹사인 한신 고속기술은 니치조우 테크(NICHIZO TECH, 오사카) 및 히타치조선과 공동으로 노면의 화상으로부터 자동적으로 균열의 위치를 검출하는 시스템을 개발했다. 여기에 기계 학습의 일종인 데이터 분류에 사용하는「FCM 식별기」로 불리는 AI기술을 적용시켰다. 니치조우 테크 기술개발실 개발팀의 가타타(堅田) 과장은「사람에 가까운 판단이 가능하고 딥러닝에 비해 학습에 걸리는 시간이 짧다는 이점이 있다」라고 말한다.

AI의 해석결과를 참고하면서 작업함으로써 균열 검출에 걸리는 시간을 기존의 5분의 1로 줄였을 뿐만 아니라, 판단이 엇갈리는 것도 줄일 수 있게 되었다.

PART 2. Q&A
5분만에 알 수 있는 AI의 기본

한 마디로 AI(인공지능)이라고 해도, 그 수법은 여러 갈래로 나눠진다. 이 파트에서는 현재의 붐을 견인하는 기계학습, 그 중에서도 딥러닝을 중심으로 AI활용에 필요한 기초 지식을 Q&A 형식으로 정리했다.

Q1. 기계학습, 딥러닝이란?
-- 「겉보기」로 판단하는 토목과의 친화성 --
Q2. 교사 없는 학습, 교사 있는 학습이란?
Q3. 강화학습의 시스템은?
Q4. AI의 대답을 어떻게 평가하는가?
Q5. 판단의「근거」는 제시할 수 있는가?
Q6. 처음부터 딥러닝이 아니면 안 된다?

PART3. 사례 총람(總覽)
초읽기 개시! AI의 현장 도입

앞에서 소개한대로 AI(인공지능)으로 과제를 해결하고 싶다고 생각하는 기술자는 적지 않다. 그러나, 실제로 어떤 것이 실현될지 잘 모르는 사람도 많을 것이다. PART3에서는 AI의 활용률을 생각하는 기술자 및 경영자에 참고가 될만한 선행 사례를 살펴보기로 하겠다.

기존의 화상해석기술에서는 검출 오류 및 검출 누락이 많아, 실무에서의 사용이 불편했던 콘크리트의 균열 검출에 대해, AI의 활용으로 정밀도가 대폭 개선될 수 있게 될 전망이다. 그 밖에서 수력 발전 댐이나 폐기물 발전시설의 운전 효율화 등, 화상인식에 의한 점검 이외에서 AI의 사용법을 모색하는 기업도 늘고 있다.

PART3에서는 유지관리 및 시설운영의 분야에서 앞서가는 연구개발의 최신 동향부터, 설계의 자동화 및 중공업 기기의 자율주행을 위한 움직임까지 다양한 사례를 소개하겠다.

(1) 공동(싱크홀) 탐사의 결과를 딥러닝으로 진단
→ 가와사키(川崎)지질과 후지쓰, 토목관리종합시험소 등

(2) 터널 타음 검사는 기계학습으로
→ 도큐(東急)건설, 도쿄대학, 쇼난공과대학, 도쿄이과대학, 오가와유기(Ogawayuki) 제작소, 기쿠치(菊池) 제작소
-- 음 특징의 차이를 학습 --

(3) 드론으로 송전선 점검, 데이터 부족도 AI가 해결  
→ 도시바 디지털 솔루션즈, 알파인(Alpine)
-- LiDAR로 전송선을 추적 --
-- 딥러닝으로 동영상 생성 --

(4) 성(省)전력 센서로 상수도 누수를 검사
→ NTT, NTT 어드밴스 테크놀로지, 슈토(首都)대학도쿄, 후지콤

(5) 운전원의 질문에 즉답, 폐기물 발전(發電)을 효율화
→ JFE엔지니어링, 일본IBM

(6) 폭 0.2mm이상의 균열을 고정밀도로 검출
→ NEDO, 슈토코(首都高)기술, 산업기술총합연구소, 도호쿠(東北) 대학

(7) 운전원의 질문에 즉답, 폐기물 발전을 효율화
→ 야치오 엔지니어링, SOINN

(번외 편) 진동 롤러의 안전 자동화를 지향
→ 다이세이(大成) 건설

PART4. 개발 방법
누가 어떻게 개발하나?

AI(인공지능)으로 과제를 해결하고 싶어도 무엇부터 손을 대야 할지 모르는 사람도 많을 것이다. 이 파트에서는 야치오 엔지니어링(Yachiyo Engineering)의 사례에 맞춰 개발의 흐름과 포인트에 대해 살펴보기로 하겠다. 선행하는 기업에서는 누가 개발을 추진해 가고 있는 걸까?

야치오 엔지니어링은 2016년 10월경부터 기업의 데이터 분석∙활용을 지원하는 브레인패드(Brainpad, 도쿄)와 함께 하천의 호안 콘크리트의 개발을 추진하고 있다. 균열의 위치를 딥러닝(심층학습)으로 자동 검출하여, 점검을 지원하는데 활용할 목적이다. 이미 사람이 점검하는 것과 비교해도 손색이 없을 정밀도로 검출할 수 있다는 것이 확인되었다. 앞으로는 대응 가능한 호안의 종류를 늘리는 등, 본격적인 서비스화를 위해 개발을 한층 더 추진해갈 계획이다.

-- 데이터를 수집하는 것이 그 첫 번째 관문 --
AI를 사용한 열화 검출 시스템의 개발은 다음과 같이 진행되었다. 먼저, 야치오 엔지니어링 측에서 딥러닝에 사용하는 손상 부위 등의 화상 데이터를 수집한다. 이번에는 100장 정도의 사진을 준비했다.

데이터가 준비되면 브레인패드 측에 전달한다. 브레인패드는 데이터의 질이나 양을 확인. 간단한 분석을 거쳐 최적의 방법을 찾아낸다. 개발을 총괄하는 브레인패드 애널리틱스 서비스본부의 오타(太田) AI 개발부장은「어떤 방법을 선택할지는 전문적인 지견이 필요하므로, 이점과 결점을 포함해서 우리가 제안한다」라고 설명한다.

그 다음, 시안이 되는 모델을 작성. 야치오 엔지니어링과 브레인패드가 공동으로 모델을 조율하면서 완성에 접근해갔다. 브레인패드에서는 1개의 프로젝트에 걸리는 기간은 최소 2개월 정도. 야치오 엔지니어링의 경우도 수개월 동안에 어느 정도의 결과를 내고 있다.

-- 가장 어려운「현장에서의 도입」 --
다행스럽게 개발이 진행되었다 하더라도, 그것이 끝이 아니다. 개발한 시스템을 업무에 반영시켜 활용하지 않으면 아무런 의미가 없다. 실은 AI를 도입하는데 있어서 가장 어려운 단계가 이 단계라고 할 수 있다. 먼저 실험적으로 활용하여 효과를 실감하면서 본격적인 도입에 들어가는 것이 무난한 방법이라고 할 수 있겠다.

PART5. 첨단 연구
「순간 진단」의 시대가 온다

AI(인공지능)이 가져온 것은 다양한 작업의 자동화이다. PART5에서는 5년에 한 번 정기점검이 의무화되어 있는 고가도로를 타깃으로 하는 첨단연구를 2가지 소개한다. 기계가 자동으로 점검하며 순식간에 진단을 하는 미래는 그리 멀지 않았을지도 모른다.

교량점검용인「구껍질(球殼, 속이 비어있는 공 모양) 드론」은 카본제의 구껍질로 주위를 방호함으로써 교량의 아랫부분과 같이 복잡하고 좁은 공간에도 들어갈 수 있다. 내각부의 전략적 이노베이션 창조프로그램(SIP)에 준거하여 도호쿠(東北)대학 및 리코 등이 개발해 왔다.

이미 어느 정도 개발은 끝났다. 남은 1년반 동안 실증실험을 진행해 개선을 통한 실용화를 목표로 하는 단계이다. 그러나, SIP의 연구기간만으로는 커버할 수 없는 과제도 있다. 드론의 자율비행과 균열 검출의 자동화가 그것이다.

-- Visual SLAM과 CNN의 융합 --
드론의 자율비행에는「Visual SLAM」(비쥬얼 슬램, SLAM은 Simultaneous Localization and Mapping의 약자)로 불리는 기술을 사용한다. 카메라 영상을 기반으로 실시간 자신의 위치를 측정하거나, 주위의 3차원 지도를 작성하는 등의 방법이다.

현재에는 카메라의 갑작스러운 흔들림(그 장소에서 빠르게 회전하는 등)에 약하며, 영상 속에서 특징이 없을 경우에는 위치 추정이 힘들다. 표면이 밋밋한 콘크리트 바닥을 이용하면서 접근 촬영하는 드론의 자율비행은 상당히 어려운 과제이다.

그러나 해결책은 있다. 「Visual SLAM과 화상인식용 딥러닝인 CNN(합성곱 뉴럴 네트워크)를 조합시키면, 기존보다 고정밀도로 기체의 위치를 추정하게 될 가능성이 있다」라고 AIP 인프라 관리 로봇기술팀의 리더를 맡고 있는 도호쿠 대학원의 오카타니(岡谷) 교수는 말한다. 　

-- 기상예보처럼 수명을 예측 --
점검뿐만 아니라,「진단」의 장면에서도 AI를 활용한 첨단적인 연구가 시작되고 있다. SIP의 테마의 하나로, 도쿄대학의 마에카와(前川) 교수팀이 추진하는「기설상판 잔여 수명 평가」가 그것이다.

정부 및 고속도로회사 등의 도로관리자는 방대한 양의 상판 패널을 관리하고 있다. 국가교통성의 점검요령에서는 그 건전성을 4단계로 평가하지만, 열화(劣化)의 정도가 비슷한 상판이 많으며, 보수의 우선순위를 측정하기 어렵다. 기설상판의 잔여 수명을 추정하여 비교할 수 있다면 효율적인 유지관리로 이어질 수 있다.

-- AI로 해석시간을 대폭 단축 --
만능처럼 보이는 멀티 스케일의 통합분석이지만, 실무에서 사용하는 데는 약점도 있다. 수 미터의 각진 상판의 해석에 2~3일이라는 시간이 걸리기 때문이다. 전문가용 소프트웨어이기 때문에 다루기도 어렵다. 여기에서 등장한 것이 AI. 기계학습을 전문으로 하는 케이오주쿠 대학의 사쿠라이(櫻井) 교수의 협력을 얻어, 해석시간을 대폭 단축하는데 활용한다.

교량점검의 완전 자동화와 콘크리트 상판의 잔여수명 추정. 2개의 혁신적인 연구가 시사하는 바는「순간 진단」의 시대가 도래한다는 것이다. 자율비행 드론이 교량의 구석구석을 촬영한다. 촬영한 영상으로부터 바로 균열 등의 손상을 검출하여 그 결과를 바탕으로 잔여 수명까지 순식간에 추정할 수 있다---. 보수 시간 및 적절한 공법의 제시까지도 그 장소에서 바로 가능해질 수 있다. 예전에는 웃음거리로 삼았을 꿈의 점검∙진단 시스템의 실현이 바로 눈 앞에 와 있다.

 -- 끝 --