DEENet: 鋼材表面欠陥検出のためのエッジ強調CNN–Transformer二重エンコーダモデル

なぜ鋼の微小な欠陥が重要なのか

自動車や橋、家庭用電化製品に至るまで、現代社会は静かに鋼に依存しています。しかし、これら製品の信頼性は、顕微鏡でも見落としがちなごく小さな欠陥によって損なわれる可能性があります。本研究はDEENetを紹介します。これは、既存のツールよりも高精度かつ効率的に鋼帯の微細な表面欠陥を自動で検出できる新しいコンピュータビジョンシステムであり、工場が早期に問題を発見して安全性を高め、廃棄を減らすのに役立ちます。

微小欠陥を見つける難しさ

鋼の表面には生産過程で多種多様な欠陥が生じます：うろこ状の斑点、ピット（窪み）、ヘアラインクラック（微細なひび）、異物の混入、引っかき傷などです。従来の検査は人手や単純な画像フィルタに頼っており、処理が遅く、一貫性に欠け、工場内の雑然とした背景に惑わされやすいという問題があります。YOLO系のような近年の“一発検出”アルゴリズムは画像を一度で走査できますが、ごく小さかったりコントラストが低い欠陥を見落としたり、損傷領域の縁をぼかしてしまうことが依然としてあります。健全な領域と欠陥領域の境界があいまいだと、検出器はサイズや位置を誤判断し、欠陥の見落としや誤警報を招きます。

二つの視点を組み合わせる

DEENetは画像を見る二つの補完的な方法を組み合わせてこの問題に対処します。ひとつの枝は古典的な畳み込みニューラルネットワーク（CNN）で、微小なピットや細い引っかき傷のような局所的なテクスチャを捉えるのに長けています。もう一方の枝はTransformerベースのネットワークで、画像をパッチに分割して扱い、鋼帯全体にわたるパターンの関係や広い文脈を把握するのに優れています。DEENetでは、これら二つの枝が双眼のように働き、一方は細部に、もう一方は全体像に焦点を当てます。カスタムのDual Channel Fusionモジュールがそれらの出力を融合し、画像の各領域が局所的なテクスチャと全体シーンにおける役割の両方で記述されるようにします。この相互作用により、従来のモデルが見落としがちな微細で密集した欠陥に対する感度が高まります。

損傷輪郭を鮮明にする

特徴量が豊富でも、特に欠陥が背景に徐々にフェードアウトしている場合、検出器は境界を鮮明に描けないことがあります。これに対処するため、著者らはエッジ強調モジュールC2f_EEMを設計しました。これは被覆と無被覆の領域の境界における輝度変化に特化して注目します。異なるサイズのフィルタをいくつか通して、細い亀裂から広い斑点までの構造を捉え、その後、前後比較のような処理で鋭い変化を強調します。この過程はエッジが存在する「高周波」成分を浮かび上がらせ、亀裂やピットをより明瞭にし、しかも生産ラインでのリアルタイム運用に適した軽量な計算で実現します。

システムの実地評価

研究者らは、6種類の一般的な欠陥タイプを含み各カテゴリに数百枚のサンプルがある鋼帯欠陥の広く用いられるベンチマークでDEENetを評価しました。標準的なYOLOベースの検出器や最新のTransformer系モデルと比較して、DEENetは平均適合率（検出が正確でかつ配置が良い割合をまとめた指標）でより高い性能を示し、81.4%に達しました。特に最も難しいカテゴリであるクレージング（細かい亀裂の網目状で通常コントラストが非常に低い）で顕著な改善が見られます。DEENetはこれら扱いにくい欠陥をより多く検出するだけでなく、より厳密な検出箱を描く一方で、実用的な導入が可能なほど全体の計算負荷を低く保ちます。別の産業用データセットやノイズ・照明変化を加えた画像での追加試験でも、条件が悪化してもモデルの精度が維持されることが示されました。

日常製品にとっての意義

簡潔に言えば、本研究は同じ鋼表面に対して互いに補完する二つの「視点」を機械視覚システムに与え、さらにエッジを強調することが、欠陥検出をより賢く、より信頼できるものにできることを示しています。DEENetの微小で薄い欠陥を見つけ出し、輪郭を正確に描く能力の向上は、製鋼業者が問題を早期に発見し、スクラップを減らし、超高層ビルからスマートフォンに至るまで一貫した材料を供給するのに役立つ可能性があります。著者らは、低電力デバイス向けにモデルを小型化することや、より多様な工場での検証が今後の課題であると指摘していますが、今回の成果は重工業におけるより安全で効率的、かつ自動化された品質管理への一歩を示しています。

引用: Pan, W., Zhong, R., Huang, J. et al. DEENet: an edge-enhanced CNN–Transformer dual-encoder model for steel surface defect detection. Sci Rep 16, 6692 (2026). https://doi.org/10.1038/s41598-026-36390-9

キーワード: 鋼材欠陥, コンピュータビジョン, ディープラーニング, 品質検査, 産業自動化