鋼材表面欠陥の高度予測のための説明可能なハイブリッドAI CADフレームワーク

なぜ鋼の小さな欠陥があなたにとって重要なのか

自動車や船舶から超高層ビルやロボットに至るまで、私たちが日常的に頼っている多くのものは平鋼板で作られています。工場で微細なひび、くぼみ、引っかき傷が見逃されると、こうした構造物の強度が低下し、製品寿命が短くなり、コストが上昇する可能性があります。本稿は、従来のツールよりも鋼表面の微妙な欠陥をより正確に検出し、その判断を説明できる新しいタイプの人工知能（AI）システムについて述べます。しかも実生産ラインで使えるだけの高速性も備えています。

現在の鋼検査のやり方とその限界

従来の鋼検査は人手や単純な画像処理ルールに依存しています。人は疲労しやすく、微弱あるいは不規則な欠陥を見落としがちです。ルールベースのシステムは、照明や材料、欠陥形状がわずかに変わるだけでも性能が落ちますが、実際の工場ではそうした変化は頻繁に起きます。近年は、特にYOLO系の物体検出モデルが欠陥検出に使われ、自動化が進みました。しかしこれらのワンステップ型システムは、欠陥を厳密に囲う（検出）ことと、欠陥の種類を判別する（分類）という本質的に異なる二つの作業を同時にこなそうとします。欠陥が非常に小さい、形が複雑、背景の鋼板と似ている場合、この結合アプローチは欠陥を見逃したり、種類を取り違えたりしやすくなります。

検出と分類を分けて視認性を高める

著者らは、欠陥の検出とその命名（分類）を意図的に分離する「ハイブリッド」なコンピュータ支援診断（CAD）フレームワークを提案します。まず、改良された検出器であるFusion YOLOが各領域について単純な二択（ここに欠陥があるかないか）にのみ注力します。これはDCBS-YOLOという独自設計を含む最適化されたYOLOベースモデル三つを組み合わせ、重なり合うボックスを破棄するのではなく平均化して統合する手法を用います。これにより、特に欠陥が小さい、形が不均一、背景とコントラストが弱い場合でも、疑わしい領域の輪郭をより信頼性高く描けます。

細部と全体像の両方を見せる学習

有力な欠陥領域が特定されると、第二段階が引き継ぎ各領域の欠陥種類（例：クレイジングのようなひび、ピット、パッチ、引っかき傷など）を判定します。ここでは、細かなテクスチャに強い複数の畳み込みニューラルネットワーク（CNN）と、広いパターンや画像内の長距離関係を捉えるのに優れたVision Transformerを組み合わせます。これらの特徴マップを融合することで、局所的なディテールとグローバルな文脈を同時に考慮できます。この構成は、人間にも機械にも似通って見える欠陥タイプ間の混同を大幅に減らします。複数のCNNから最良の三者とTransformerを組み合わせ、エンドツーエンドで学習させることで、ベンチマークデータセット上でほぼ完璧に近い分類性能を達成しました。

視界を整え、モデルを自動で最適化する

AIに最善の条件を与えるために、著者らは鋼画像を穏やかに改善する前処理パイプラインを設計しました。明るさやコントラストを調整し、ノイズを低減し、エッジをシャープにすることで、全体の画質を損なわずに微弱な欠陥を際立たせ、人工的なアーティファクトを生み出さないようにしています。さらに、MLOpsに基づくワークフローが学習率やバッチサイズなど多くの訓練設定を自動的に探索し、検出と分類それぞれに最も効果的な組み合わせを見つけます。この自動化は試行錯誤を減らし、最終モデルが課題に対してほぼ最良の性能に近づくことを保証します。

可視的説明でブラックボックスを開く

工業用途では本番導入前にシステムを信頼してもらう必要があるため、フレームワークには説明可能なAIツールが組み込まれています。欠陥にラベルが付けられると、Grad-CAMと呼ばれる手法が決定に最も影響した画像領域を強調するヒートマップを生成します。これらのカラフルなオーバーレイは、AIが何を「見て」その判定（ひびやピットなど）に至ったかを検査員に明示します。もし第一段階の検出で欠陥を見逃した場合でも、分類段階とそのヒートマップが疑わしい領域を示し続け、安全網として機能し、技術者が残存する盲点を把握する助けになります。

実工場における意味

二つの広く使われている鋼欠陥データセットでテストしたところ、新しいフレームワークは標準的なYOLOモデルや最近の研究システムのいくつかを上回り、高い検出精度と分類スコアを達成し、未知の欠陥タイプへの一般化性能も良好でした。二段階設計は計算コストが高く理想的なリアルタイム速度にはわずかに届かないものの、多くの生産ラインで必要とされるフレームレートに近づいています。著者らはさらなるエンジニアリングにより、このアプローチがより微細な欠陥を見つけ、判断を説明し、メーカーがより安全で信頼性の高い鋼製品を提供するのを助ける実用的な検査アシスタントになり得ると主張しています。

引用: Moon, C., Al-antari, M.A. & Gu, Y.H. Explainable hybrid AI CAD framework for advanced prediction of steel surface defects. Sci Rep 16, 10796 (2026). https://doi.org/10.1038/s41598-025-34320-9

キーワード: 鋼材表面検査, 欠陥検出, 深層学習, コンピュータビジョン, 説明可能なAI