日本では、橋梁点検は5年ごとの目視評価が義務付けられていますが、異なる技術者による定性損傷評価（a-eレベル）には大きな評価者間変動があり、一貫したインフラ管理の重要な障壁となっています。熟練技術者の高齢化は点検能力をさらに脅かしています。本論文では、ファインチューニングされたビジョン・ランゲージモデル（VLM）を用いて橋梁損傷の理解と修理優先順位スコアリングを自動化する方法論を提案します。
研究者らは、QLoRAを使用してLLaVA-1.5-7Bを最大4,000対の橋梁損傷画像と点検テキスト記録でファインチューニングし、800画像の固定テストセットで評価しました。モデルは自然言語の説明を出力し、構造部材と損傷パターンを特定し、ルールベースのスコアリングエンジンが5段階の修理優先度指数を計算します。段階的トレーニング研究（1k/2k/3k/4kサンプル）により、2kトレーニングサンプルがわずか2.9時間のトレーニングでほぼ最適な検証損失を達成することが明らかになりました。2kを超えると、検証損失の改善はトレーニングサンプルが倍増するごとに0.2%以下にとどまり、明確な収穫逓減を示しました。さらに、保持テストセットでの意味的類似性は3kでピーク（0.6909）に達し、4kで低下（0.6739）し、品質管理された中規模データがより大きながノイズの多いコーパスよりも優れていることを示しています。torch.compile()とバッチ処理（batch_size=8）を組み合わせた推論最適化により、画像あたり10.06秒を達成し、最適化されていないベースラインから70.2%削減されました。
このアプローチは、橋梁点検におけるデータガバナンスに貢献し、評価者間変動を低減し、専門技術者の点検ワークフローを強化するAI支援トリアージを提供します。さらに、ファインチューニングされたSwallow-8B SLMを使用した2段階の品質ガードを導入し、優先順位スコアリングの前に低品質のVLM出力を拒否することで、損傷または認識不能な画像からの偽スコアを防止します。この研究は、特に熟練点検員が不足している状況において、自動化されたインフラ点検の有望な方向性を提供します。
ただし、この研究にはいくつかの限界があります。例えば、トレーニングデータには限られた種類の橋梁損傷しか含まれておらず、実際のすべてのシナリオをカバーできるとは限りません。また、モデルの性能はトレーニングデータの品質と多様性に大きく依存しており、将来はさまざまな橋梁や損傷タイプからのデータで汎化能力を検証する必要があります。品質ガードエージェントは低品質出力の一部をフィルタリングできますが、誤拒否が全体の効率に影響を与える可能性があります。それでも、この研究は大規模ビジョン・ランゲージモデルを重要なインフラメンテナンスに適用する重要な一歩であり、人的点検の負担を軽減しつつ評価の一貫性を向上させることが期待されます。