強い晶界干渉下での構造化事前情報とエネルギー感知注意を用いた軽量金相欠陥検出フレームワーク

なぜ鋼の小さな欠陥が重要なのか

自動車のギアから高圧配管まで、多くの日常機械は共通の主力材料、すなわちしばしばAISI 1020と表記される低炭素鋼に依存しています。エンジニアがこの鋼を信頼する前に、研磨・腐食処理した薄片を顕微鏡で観察して金属内部の構造を評価します。しかし、試料表面自体に汚れ、傷、凹凸があれば、それらの準備欠陥が実際の材料欠陥のように見えることがあります。本論文は、こうした微妙な準備欠陥を、顕微鏡的な結晶粒パターンの複雑な背景に埋もれていても迅速かつ信頼性高く検出できる、新しい軽量の人工知能ツールを紹介します。

かすかな欠陥を見つける難しさ

高倍率で見ると、鋼は結晶粒と呼ばれる小領域のモザイクのように見え、それらは複雑な結晶粒界のネットワークで区切られます。これらの界面は高コントラストで密なテクスチャを形成し、水染み、残留腐食液、微妙な表面凹凸といった準備欠陥からの弱い信号を簡単に覆い隠してしまいます。標準的なコンピュータビジョンモデル（人気のあるYOLO検出器を含む）は、対象が周囲から明確に際立っていることを前提とします。しかし金相学ではしばしば逆が成り立ちます：背景は強く構造化され、欠陥は形状や大きさが不規則で弱いのです。画像が深層ネットワーク内で繰り返し圧縮されると、そうした弱い信号は容易に平滑化され、検出漏れや無害なテクスチャと真の欠陥の混同を招きます。

金相向けに調整された検出フレームワーク

これに対処するために、著者らはRSS‑YOLOv10を構築しました。これは最近のリアルタイム検出器YOLOv10を金相顕微鏡画像向けにカスタマイズした派生モデルです。まずモデルを小型化するためにYOLOv10の最小「nano」版を出発点とし、複雑な結晶粒パターンへの過学習を避けます。さらに、特徴抽出器と特徴融合段の主要ブロックを再設計し、微小なピットから広い染みまで極端な欠陥サイズの変動を計算コストを抑えつつ扱えるようにしています。また、時間のかかる後処理を回避するYOLOv10のエンドツーエンド学習方針を維持し、迅速な産業検査に適したままにしています。

新しい構成要素の協調動作

RSS‑YOLOv10の中核はRepHMAと呼ばれる新しいモジュールで、バックボーンネットワークの標準的な構成ブロックを置き換えます。RepHMAは各画像パッチを複数の並列ブランチで異なる近傍サイズから処理し、それらを統合して実際の検出時に効率的に動作する単一ブロックへと変換します。このマルチスケールの視点により、モデルは微小な斑点とより大きくぼやけた領域の両方を捉えやすくなります。第二の要素であるSimAM注意メカニズムは、各小領域を周囲と比較して反復する結晶粒背景と強く異なる領域を強調するフィルタのように働きます。重要なのは、SimAMが追加の学習可能なパラメータを導入せずに機能し、モデルの軽量性を保つ点です。最後に再設計された「SlimNeck」部は、特別に選ばれた畳み込みを用いて異なる解像度レベルの情報を融合し、有用な詳細を保持しつつ冗長な計算を削減します。

実際の鋼データでの構築と評価

既存の金相画像コレクションは通常、理想的で欠陥のない試料に焦点を当てているため、研究チームは独自のベンチマーク「20 S‑PDD」を構築しました。これは20種類の鋼を実験室で準備した1,200枚以上の顕微鏡画像を含み、専門家が水染み、腐食性液体の残留、表面不均一領域という3種類の準備欠陥を慎重にラベル付けしています。著者らはこのデータセットでRSS‑YOLOv10を訓練・評価し、ベースラインのYOLOv10nやFaster R‑CNN、SSD、YOLOv5、YOLOv8、リアルタイムのトランスフォーマーベースモデルなどと比較しました。さらに、顕微鏡画像を超えた一般化性能を調べるために、より大規模な鋼表面欠陥の公開データセットでも手法を検証しました。

結果が示すもの

金相20 S‑PDDデータセット上で、RSS‑YOLOv10は比較モデルをすべて上回る精度、再現率、および総合的な検出精度を達成し、YOLOv10nのベースラインより平均適合率をほぼ4ポイント向上させつつ、浮動小数点演算量はさらに少なく抑えました。特に、染みや腐食残留物を周囲の結晶粒テクスチャから区別する性能に優れ、欠陥の見逃しと誤検知を両方とも削減しました。別のNEU‑DET鋼表面データセットでもベースラインを上回り、そのコア設計が異なる種類のテクスチャ化された金属画像にも堅牢であることを示しました。モデル内部の「ヒートマップ」の可視化は、モデルが結晶粒界を大部分無視して実際の欠陥に的を絞っていることを確認しています。

実務での意義

金相ラボや品質管理エンジニアにとって、本フレームワークは、鋼の真の微細構造を詳しく解析する前に、準備試料の準備欠陥を自動的にスクリーニングする手段を提供します。RSS‑YOLOv10はコンパクトで効率的なため、標準的なデスクトップ機器や組み込みデバイスでリアルタイムに動作させることができ、既存の顕微鏡と並行して日常的に利用するのに実用的です。本研究は単一の鋼種と限られた試料に焦点を当てていますが、このアプローチは金相品質の自動検査を広範に進める道を開き、人物の疲労やばらつきを減らし、安全性に関わる工学的判断を支える下流の測定を保護します。

引用: Shen, Z., Deng, Q., Wu, Z. et al. A lightweight metallographic defect detection framework via structured priors and energy-aware attention under strong grain boundary interference. Sci Rep 16, 10969 (2026). https://doi.org/10.1038/s41598-026-45556-4

キーワード: 金相欠陥検出, 鋼の微細構造, 深層学習検査, 自動顕微鏡検査, YOLO物体検出