溶接表面欠陥検出のための改良された軽量YOLOv11アルゴリズム

なぜ溶接の小さな欠陥が重要なのか

橋や船、高層ビル、パイプラインに至るまで、多くの金属構造物は溶接接合により安全性と強度を保っています。しかし、溶接表面には気孔、ひび割れ、スラグの残留などの小さな欠陥が隠れており、見逃されるとやがて重大な破損に発展する可能性があります。工場で全ての溶接を手作業で検査するのは遅く、コストが高く、特に繁忙な現場では人的ミスが起きやすいのが現実です。本論文では、YOLO-Airと呼ぶ、リソースの限られた産業用ハードウェア上でもリアルタイムに溶接表面の欠陥を自動検出できる、より高速で軽量なコンピュータビジョンシステムを紹介します。

従来の検査手法の限界

長年にわたり、溶接検査はX線、超音波、磁粉、渦電流などの物理試験法に依存してきました。これらは内部欠陥や表面欠陥を明らかにできますが、放射線防護の必要性や超音波の操作者依存性、磁気・渦電流検査の材料制約などトレードオフがあります。また、複雑な形状の対象や照明・温度・表面汚染などの環境変動には対応が難しい場合があります。迅速で継続的な品質管理への産業的要求が高まる中、従来手法だけでは十分でなくなっています。

溶接向けスマートカメラの台頭

近年の深層学習の進展により、日常の物体認識向けに開発されたアルゴリズムを使って画像から直接欠陥を検出することが可能になりました。特にYOLO系に代表されるワンステージ検出器は、工場現場での実用に適した高い速度と良好な精度の両立から魅力的です。しかし、溶接画像には特有の課題があります。錆や汚れ、塗膜で雑然とした背景、極めて小さく密集した欠陥、形状や質感が多様な複数の欠陥種などです。既成モデルは微細な欠陥を見落としたり、ノイズを実際の損傷と誤認したり、あるいはサイズが大きすぎて小規模なGPUや組み込み機器に展開しにくいといった問題があります。

目を鋭くするための軽量化

著者らは最新のYOLOv11モデルを基に、溶接表面欠陥検出に特化したYOLO-Airへと再設計します。まず、画像を最初に取り込むバックボーンを再構築しました。新しい特徴抽出ブロックは二つの考え方を組み合わせます。余分なコストをかけずに追加の特徴マップを生成する「ゴースト」機構と、入力ごとに適応して実際の欠陥に関連するパターンを強調し、背景の邪魔な要素を抑える動的フィルタ機構です。これにより計算負荷を増やさずに、さまざまな大きさや形状の欠陥に関するより豊富な理解がモデルにもたらされます。

情報の流れを高速化

次に、粗い全体情報と細かな局所情報を融合するネットワーク中間部（ネック）を軽量化します。重い演算をグループ化およびシャッフル畳み込みに置き換えることで、チャネル間の情報共有を促進しつつ不要な計算を削減しました。再設計された集約ブロックは、異なるスケールの特徴を結合する方法をさらに効率化します。これらの変更により処理の冗長性が低減され、ノイズの多い溶接面に散在する微小欠陥を追跡しながら高速動作が可能になります。

リアルタイム用途のための簡潔な出力層

最後に、内部特徴をバウンディングボックスや欠陥判定に変換する検出ヘッドを簡素化します。全チャネルに対して完全な畳み込みを適用する代わりに、チャネルの一部だけを処理し残りをそのまま通す部分的なスキームを採用しました。これによりモデルのパラメータ数と浮動小数点演算の大部分を削減しつつ、欠陥の位置特定と分類に必要な情報は維持されます。その結果、コンパクトで応答性の高い検出器が得られ、生産ラインでのオンライン監視などミリ秒単位の遅延が問題となる環境に適した設計になります。

新システムの性能

著者らはYOLO-Airを評価するため、溶接に特化したデータセットと一般的な鋼板の欠陥データセットの2つの公開データセットで実験を行いました。従来の古典的・最新の検出モデル（複数のYOLO系やトランスフォーマーベースの設計を含む）との比較で、YOLO-Airは精度、速度、モデルサイズのバランスで最良の成績を示しました。溶接画像においては、YOLOv11のベースラインに比べ検出品質を約1ポイント向上させつつ、パラメータ数を17％以上削減し計算負荷を約3分の1近くカットしました。さらに数百フレーム毎秒の処理性能を維持し、リアルタイム要件を容易に満たします。統計検定により、これらの改善が偶然によるものではないことも確認されています。

産業界にとっての意味

実務的には、YOLO-Airは賢くかつ資源効率の高い溶接検査システムの構築が可能であることを示しています。一般的なグラフィックスカードや組み込みプロセッサ上で信頼性を損なうことなく動作でき、真の欠陥と無害な表面ノイズをより正確に区別し、非常に小さな欠陥も検出できることで、見逃しや不要な修理の削減につながる可能性があります。モデルはまだ工場での本格展開には至っていませんが、本研究は重要な溶接構造の品質を継続的に守るコンパクトなカメラベースの検査システムへの明確な道筋を示唆しています。

引用: Zhang, R., Pan, C., Chen, Z. et al. An improved lightweight YOLOv11 algorithm for weld surface defect detection. Sci Rep 16, 11440 (2026). https://doi.org/10.1038/s41598-026-41568-2

キーワード: 溶接欠陥検出, 産業用ビジョン, 軽量ディープラーニング, YOLO物体検出, 品質検査の自動化