ニュースの概要
イスラエルのPerceptoが、産業設備や重要インフラの点検情報をまとめて扱う「Axion」を発表した。ドローンが撮影した画像や各種センサーの値に、過去の修理履歴や設備記録を重ね、異常の発見から保全作業の優先順位付けまでを支援する。特徴は、特定メーカーのドローンや周辺機器に縛られない設計だ。現場ごとに異なる機材を使う企業でも、点検データを一つの流れで管理しやすくなる。単なる自動飛行の製品ではなく、取得した情報を設備管理の判断へつなぐ基盤として位置付けられている。
引用元: Percepto、産業・重要インフラ向け自律型ドローン点検プラットフォーム「Axion」を発表（UASweekly）
分析・見解
ドローン導入の焦点が飛行から判断へ移る
これまで産業向けドローンの導入では、飛行の自動化や高性能カメラの搭載が主な評価軸だった。しかし、点検現場で本当に時間がかかるのは、撮影後の確認と記録の整理である。大量の画像から異常らしい箇所を探し、過去の状態と比べ、担当者が現地確認の要否を決める。この作業が担当者の経験に依存すると、見落としだけでなく、設備ごとの判断基準のばらつきも生じる。
Axionの意義は、ドローンを「目」として使うだけでなく、画像、センサー値、設備台帳、過去の点検履歴を同じ判断材料として扱う点にある。Physical AI（現実の設備や環境を理解し、行動に結びつける人工知能）という表現は、現場データを保全業務へ戻す仕組みを示している。飛行時間を短くする技術より、点検結果が次の作業指示まで途切れないことの方が、企業価値に直結しやすい。
機器に依存しない設計が導入の壁を下げる
発電所、石油化学施設、鉱山、港湾では、設備の形状や安全規則が異なる。既に複数メーカーのドローン、固定カメラ、温度センサーを保有している企業も多い。単一メーカーの機材で全拠点をそろえるには、買い替え費用だけでなく、操縦資格、保守契約、現場教育の見直しが必要になる。
ハードウェア非依存の基盤であれば、企業は機材を一度に統一せず、既存資産を生かしながらデータの扱いをそろえられる。これは単なる便利さではない。設備の種類ごとに最適な機器を選び、将来の機材更新でも分析環境を継続できるため、長期投資の不確実性を抑えられる。ただし、実際の価値は対応機器の数だけでなく、異なる画質、測定周期、位置情報をどの程度正確に結び付けられるかで決まる。
異常検出より保全の優先順位付けが重要になる
人工知能が傷や腐食を見つけても、現場がすぐ修理できるとは限らない。保全予算、停止可能な時間、部品の納期、作業員の安全確保を同時に考える必要がある。したがって、企業が求めるべき成果は「異常を何件見つけたか」ではなく、「重大な異常を早く処置し、不要な現地確認を減らせたか」である。
例えば、同じ配管の表面変色でも、過去半年で拡大しているものと、数年間変化しないものでは対応が違う。画像の変化量、設備の重要度、故障時の影響を組み合わせれば、確認順を合理的に決められる。ここに過去記録を使う強みがある。人工知能は最終判断を代替するのではなく、限られた保全人員を危険度の高い場所へ振り向ける道具として使うべきだ。
自律運用には安全規則と説明責任が欠かせない
自律飛行が広がるほど、通信断、測位誤差、悪天候、立入禁止区域の管理が重要になる。工場内では、クレーンや高温設備、人の動線との接触を避けなければならない。重要インフラでは、撮影データそのものが機密情報になる場合もある。クラウドに保存するのか、現場内のサーバーで処理するのか、権限を誰に与えるのかを導入前に決める必要がある。
また、人工知能が「異常」と判定した理由を担当者が確認できなければ、誤判定時の責任分担が曖昧になる。導入初期は、判定結果、元画像、判断者の修正内容を残し、現場の知識を再学習に生かす運用が望ましい。自律化とは人をなくすことではなく、人が確認すべき箇所を絞り、判断の根拠を残すことだ。この考え方が安全と定着を両立させる。
ビジネスへの影響
まず全社導入ではなく一つの設備で効果を測る
意思決定者が最初に確認すべきなのは、対応機器の一覧よりも、どの作業を減らしたいのかである。高所撮影の回数を減らしたいのか、点検報告書の作成時間を短くしたいのか、異常の見落としを防ぎたいのかで、必要な機能と評価指標は変わる。
導入は、設備の重要度が高く、点検頻度も多い一方で、結果を比較しやすい場所から始めるとよい。例えば太陽光発電所なら、同じ型式のパネル群を対象に、従来の巡回時間、画像確認時間、再訪問件数、異常発見から処置までの日数を計測する。三か月から半年ほどの試行で、作業時間だけでなく、危険区域への立ち入り削減や停止時間の短縮も評価すると、投資判断が現実に近づく。
データ連携と現場の役割分担を契約前に詰める
Axionのような基盤を選ぶ際は、ドローンの自律性だけでなく、設備管理システム、保全管理システム、地図情報との連携方法を確認したい。異常通知が別画面に表示されるだけでは、担当者が手作業で転記することになり、導入効果が薄れる。異常の位置、発見日時、画像、過去比較、対応状況を既存の作業指示へ渡せるかが重要だ。
同時に、データの所有権、保存期間、国外への移転、人工知能の判定誤りに対する責任、機材交換時の移行費用を契約で明確にする必要がある。ハードウェア非依存でも、データ形式や分析モデルに囲い込まれる可能性は残る。複数拠点へ広げる前に、データを取り出せること、別の機器を追加できること、現場担当者が判定を訂正できることを実機で確認すべきだ。
競争力は点検件数より保全知識の蓄積で決まる
短期的には、人が危険な場所へ行く回数を減らし、画像確認を効率化する効果が見込める。中長期では、設備ごとの劣化パターンと修理結果が蓄積されることで、故障前の兆候を把握しやすくなる。これは単なる自動化ではなく、熟練者の判断を組織の共有資産へ変える取り組みである。
一方、撮影するだけで記録の質がそろわなければ、分析精度は上がらない。飛行経路、撮影角度、気象条件、設備番号の付け方を標準化し、現場が継続して入力できる仕組みを整える必要がある。企業が選ぶべきなのは、最も高度に見える製品ではなく、点検データを次の保全行動へつなぎ、数年後にも比較可能な形で残せる製品である。