超音波の画像化：フェーズドアレイと全焦点法
最終更新日:
超音波探傷は、単一の探触子で波形を読む従来型の反射法から、面として対象を観察できる手法へと広がっています。複数の素子を持つ探触子から位相をずらした超音波を送り、一点に集められる波形を合成するフェーズドアレイ法（PAUT）は、溶接部や配管減肉の評価で普及が進んでいます。また、全焦点法（TFM）では多数の送受信の組み合わせから得たデータを合成して領域の像を作り、きずの位置と大きさを統一的に捉えられます。これらの手法は、規格と技量認定の体系と結び付いて整備されています。
機器側の要素では、探触子の素子数、周波数帯域、装置の信号処理能力が性能を左右します。各メーカーは規格に沿った性能指標を公表しており、選定時には装置の分解能と感度、検出器の仕様、保守体制の三点が合わせて確認されます（機器側の全体像は「【比較表】非破壊検査機器メーカー」を参照）。一方で、画像化手法が広がるほど装置設定と判定基準の管理が複雑になるため、事業者側の装置構成と資格保有状況の対応性が重要になります。
教育と研究では、JSNDIが講習と資格試験を運用して、手法の標準的な呼称と技量水準の基礎を提供しています。先進手法の実施能力は、講習、規格原文、機器メーカーの技術資料の三つを合わせて確認するのが現実的です。本ページでは装置個別の仕様値と性能の推測は行わず、公表範囲にとどめています。なお、画像化手法の導入は、単に「見える情報が増える」だけでなく、検査の設計全体（検査比率、判定区分、結果の記録体裁）をあらためる作業を伴います。既存の反射法と同じ読み方で新しい表示を扱うと、判定基準との整合が崩れやすいため、導入時には規格・基準側の適用条件を確認しつつ、過去の実績データとの継続性を設計する点が実務の論点になります。
AI判読：確認できた公表事例の範囲で
AIによる探傷判読は、画像や波形を分類する機械学習の応用として国内でも進行中であり、機器メーカーと検査事業者の両方に公表事例があります。点検量の増加と人員の少なさに対する対応手段として要求が高まり、事業者側の公表資料でもよく扱われるテーマになっています。本サイトでは、公表資料で確認できた事例のみを記述し、推測に基づく性能や数値は書きません。
- 検査事業者側の公表例として、非破壊検査株式会社は、AIを活用した検査データ解析システムを開発した経過を公式サイトの沿革で公表しています。
- 検査事業者側の公表例として、日本非破壊検査株式会社（NDK）は、フェーズドアレイUT（MiraiATOM）やデジタル放射線画像システム（NIPS）など、検査効率化に向けた自社技術を公式サイトで公開しています。
- 機器メーカー側では、X線検査の自動判定やデータ解析に対応する製品・機能を公表する例が確認できます。詳しい仕様は各社の公式情報をご確認ください。
AI判読はいろいろなところで活用が広がっていますが、実際の検査結果の中で最終的な判定とその責任を負っているのは有資格者です。AIは装置の性能と人間の判断の一部を補助する位置づけで、判定と報告の責任は変わりません。規格や講習の体系側にも、この点の重要性が繰り返し示されています。導入を検討するときは、AIの判定対象がどの手法・条件のデータに限られるか、誤検出・見逃しの運用上の扱い（AIの結果を人の再確認で絞り込む仕組み）がどう設計されているか、判定の記録にAIの関与がどう残るかの三点を、導入検討者側で確認しておくのが実務的な観点です。
ロボット・ドローン点検：アクセス手段の進化
高所や狭隘部、危険領域での検査には、ドローンや自走式ロボットが現場に応用される公表事例が事業者側にあります。たとえば非破壊検査株式会社は、ドローンによる点検を検査・サービスの一覧に公開し、高所外観点検（ポールカメラ）とあわせた技術群として示しています。また、同社ではロボットによる外壁点検システムを高松建設と共同開発したことを沿革で公表しています。検査対象が配管であってもタンクであっても、装置を現場に届ける手段（アクセス手段）によって検査方法と作業コストが大きく変わります。
機器・装置の側も、小型化や遠隔操作に対応する公表が続いています。小型化により入口の狭い構造物、狭い空間でも装置を使えるようになり、検査できる部位の範囲が広がっています。一方で、位置情報の精度、表面状態の把握、データの正確な時刻記録が要件になる点は変わらず、ロボットやドローンが部分で代替できるのは点検工程の一部です。全体の判定は実施者の資格と経験に依存する形が続いています。導入を検討する側の確認事項としては、稼働条件（屋内外、防爆要求の有無）、通信とデータの持ち出し方式、障害時の代替手段、装置の較正と資格の接続の四点をリスト化すると、導入検討判断を行いやすくなります。
実際の点検では、取り残しやすい部分から少しずつロボットやドローンの活用が広がっています。高所作業が手間のかかる部分、危険を伴う部分から順に導入する方法が取り組まれており、その結果として点検量が増えた部位も生まれています。ただし、ロボットが表面の写真や動画を取ることはできても、内部のきずそのものの確認は引き続き超音波や放射線を用います。手法の分担という理解が現場で広がりつつあります。
点検データ化：報告書から数値データへ
点検成果は、紙面の検査報告書に維持されていた状態から、構造の数値データや画像・波形データとして保持されるケースが増えています。この動きの動機は、同じ部材の経年データを継続して保持できること、他の部材と同じ指標で比較できることにあります。データ化は、設備の経年管理や工程の改善判断に活用される枠組みの一部となっています。
一方で、検査結果の信頼性は、測定条件・装置設定・判定基準の三つが一貫している場合に限られます。現場側では、必要事項を紙やスプレッドシートで管理する事業者と、測定値をそのまま数値データとして蓄積する事業者があり、成果物の形式の工夫が事業者ごとに異なります。したがって、データ化の進捗は検査事業者側の能力に依存する点に注意が必要です。発注側として確認する実務的な論点は、測定値の保存単位（装置の生データのままか、整形済みか）、画像や波形の品質が明確に定義されているか、過去の資料と同じ条件で比較可能かの三点です。
電子納品や点検報告書の形式の統一も、自治体と事業者間で進行中の論点です。点検結果の報告形式が標準化されることで、他部材との比較が容易になり、管理部門の判断を支える枠組みが整えられます。詳しい論点は「インフラ点検・老朽化とデータ」を参照ください。
現場での進め方：段階を選びながら導入する
AI探傷やロボット点検を現場に取り入れるときは、一括で入れ替えるのではなく、検査工程の中のどの部分を置き換えるのかを選ぶ、段階的な進め方が公表事例からも読み取れます。第一段階は、データの受け皿を整えることです。これまでの検査報告書・調書と同じ内容をデジタルの形式で蓄積する仕組みを作ると、後からAIや自動判定の使いみちが生えてきます。過去の資料が再現可能な形で残る点が、後段の投資判断にもなります。
第二段階は、点検の中でも人手に頼っていた工程を機械に任せる部分を選ぶことです。高所や狭空間、開放期間が短い設備など、人が入るための仮設や手順が重い部分は、ロボットやドローンの活用の効果が出やすい例として公表されています。一方で、内部きずの判定のように、規格と資格の体系で担保される評価は、機械を導入しても人の仕事の一部に留まります。この内外の区別を先に固めておくと、導入の規模感を予測しやすくなります。
第三段階は、判定の補助としてAIを加える位置づけです。装置が生成した一次データをAIが前処理し、有資格者が規格と照らして確認する、という構造が公表事例でよく示されます。AIの導入を検討する段階では、装置とソフトウェアの機能表現を読み替えず、学習データの範囲と適用の条件、現場で使う場合の設定手順を、事業者側に直接確認することが実務の基本になります。選定計画は、検査対象と現場条件に合わせて段階的に進めるのが現実的です。段階の間には現場側での評価期間を挟み、装置・ソフト・工事の形で結果が変わらない条件を確かめる点が実務の要点です。比較や選定の観点は、【比較表】非破壊検査機器メーカーと【比較表】非破壊検査サービス・診断事業者の事実項目を出発点にしてください。
まとめ：AIと点検は、何を変え、何を変えないか
AI探傷・ロボット点検・データ化は、検査を速く、広く、均質にする手段の変化を示しています。しかし、対象・部位・危険性・確認精度・報告形式・資格・実地検証という点検の基本的な構造自体は変わりません。点検の最終的な値は、修復・維持・改善の判断に頼る部分であり、装置だけでは解決しない論点が残ります。
実務では、AI・ロボット・データ化を組み合わせ、対象・手法・装置・資格・データを整理した体制を整える事業者が増えています。当サイトでは、この流れの要点を「公表情報をもとにした確認」の観点から整理してきました。実際の事業体や機器の選定は、規格原文と一次情報でご確認ください。技術の導入を検討する読者にとっての要点は、少ない部分から確実に移行し、判定責任の所在を曖昧にしない設計を保つこと、そして導入前後で同じ条件の検査結果を比較できる形を残すことです。装置・事業者の事実項目は、【比較表】非破壊検査機器メーカーと【比較表】非破壊検査サービス・診断事業者で確認できます。