積層造形の孔欠陥検出に向けたYOLOベースの有効な検出モデル

なぜ3Dプリント金属の小さな穴が重要なのか

3Dプリントで作られた金属部品は航空機、自動車、医療用インプラントへと利用が広がっています。しかし、これらの光沢ある部品の内部には目に見えない欠陥が潜んでいることがあります。気泡や微小な穴、すなわちポア（孔）が金属を脆弱にし、亀裂や破損につながる可能性があるのです。今日、こうした欠陥の検査はしばしば顕微鏡画像を人の目でじっくり調べるという遅く手作業のプロセスに頼っています。本研究は、これらの微小な孔を自動的に検出・計測し、製造条件と直接結びつける方法を提示するもので、安全で信頼性の高い3Dプリント金属部品への道を示します。

金属部品を層ごとに作るプロセス

本研究は選択的レーザー溶融（SLM）と呼ばれる一般的な金属3Dプリント法に焦点を当てています。これは金属粉末の薄い層をレーザーで走査し、溶融して固体部品の一層ずつを形成する手法です。この方式は複雑な形状の実現や材料の有効利用が可能なため、航空宇宙や医療など要求の厳しい用途で魅力的です。しかし、高い加熱と急冷はガスを閉じ込めたり、部分的にしか溶けない領域を残したり、溶融溝内に深い“キーホール”を生じさせることがあります。これらはいずれも材料中に分散する微小な空隙＝孔を形成し、応力を集中させ強度や疲労寿命を低下させます。したがって、多孔性（ポロシティ）の制御は信頼できる造形部品を作る上で不可欠です。

コンピュータに隠れた欠陥を見せる学習

専門家にすべての顕微鏡画像を目視検査させる代わりに、著者らは高速物体検出で広く使われるYOLOの系列モデルを基盤とした自動画像解析システムを構築しました。彼らは異なるレーザー出力と走査速度で造形した49のアルミ合金試料から高解像度の光学顕微鏡画像を収集し、合計980枚のデータセットを作成しました。各画像内の孔は地上真実（グラウンドトゥルース）として一つずつ手作業で慎重に輪郭付けされました。標準的なYOLOv5設計に対して、研究チームは学習率の賢いスケジューリング、背景テクスチャではなく孔状パターンに注目させる“アテンション”モジュール、スケール間で情報を統合しつつモデルを小型に保つ軽量な特徴融合スキームなど、いくつかの改良を加えました。

画像から精密な孔統計へ

一度学習した改良モデルは、新しい顕微鏡画像に対して各孔の位置を特定し、その形状を輪郭として抽出できます。ソフトウェアは自動的に孔に属するピクセル数を数え、金属領域の総ピクセル数と比較することで各試料面の総合的な多孔率を算出します。他の最新YOLO変種との比較試験では、新しい設計が孔の識別で高い精度を達成しながら計算負荷を抑えており、一般的な産業用ハードウェアでの運用に適していることが示されました。孔面積の測定を慎重な手動推定と比較した結果、差は概ね約5％以内に収まり、自動化手法が日常的な定量解析に十分信頼できることを示しています。

造形条件と孔発生の結びつけ

自動孔計測を得て、研究者らはレーザー出力と走査速度という二つの主要造形条件が多孔率に与える影響を調べました。レーザー出力を非常に低いレベルから上げると、粉末がより完全に溶融して閉じ込められたガスが逃げやすくなるため、孔は急速に減少することが分かりました。しかし、ある点を超えて出力を上げすぎると、不安定で激しく振動する溶融溝が生じ、新たな欠陥を作り出します。走査速度にも同様のトレードオフがあり、レーザーを遅く動かしすぎると過熱を招き、速く動かしすぎると完全に溶けずにガスを閉じ込めてしまいます。これらの複雑な傾向を捉えるために、チームはチェビシェフ多項式と呼ばれる数学的手法を用いて、出力と速度を多孔率に結びつける滑らかな曲面を構築し、実験データとの優れた一致を得ました。

より賢く、安全な3Dプリント金属へ向けて

専門外の読者への主要なメッセージは、本研究が顕微鏡画像を自動で信頼できる「穴の少なさ」の測定値に変換し、さらにその測定値をエンジニアが実際に操作できる造形パラメータに結びつけたことです。この手法は孔を検出して輪郭化するだけでなく、孔の総量を定量化し、どのレーザー出力と走査速度の組み合わせが多孔率を低く保つかを示します。現在の研究は研磨した試料と光学顕微鏡に依存していますが、同じ考え方は工場の現場監視やプロセス最適化へと拡張可能です。長期的には、このような自動化されたデータ駆動型のツールが金属3Dプリントをより予測可能にし、無駄を減らし、重要用途に対して安全性を高める助けとなるでしょう。

引用: Ni, R., Xu, S., Chen, H. et al. An effective detection model based on YOLO for pore defects in additive manufacturing. Sci Rep 16, 14379 (2026). https://doi.org/10.1038/s41598-026-43970-2

キーワード: 積層造形, 選択的レーザー溶融, 欠陥検出, 深層学習, 多孔率解析