ステンレス鋼の品質検査における人工知能: 自動欠陥検出

AI- ベースの欠陥検出では、カメラ画像でトレーニングされた深層学習モデル（CNN、物体検出器、ビジョントランスフォーマー）を使用して、製造ラインの速度でリアルタイムにステンレス鋼の表面欠陥を特定、分類、位置特定します。公表されている精度は、標準的なベンチマークデータセットで通常 95～99% の範囲です。

これらのシステムのベンチマークに最も一般的に使用される 6 つの欠陥タイプ - ひび割れ、介在物、斑点、穴あき表面、圧延スケール、スクラッチ -、およびスクラッチ - は、広く使用されている NEU 表面欠陥データベースからのものであり、孔食、傷跡、ロールマーク、エッジクラックなどの実際のステンレス鋼の欠陥に厳密にマッピングされています。

Artificial Intelligence in Stainless Steel Quality Inspection

AI ビジョンは、手動の目視検査や単純なしきい値ベースのマシンビジョンに取って代わるか、強化します。-このマシンビジョンでは、偽陽性率が 15～30% もの高くなり、人間の目だけではフルスピードでフルカバーの検査を維持できません。-

AI ビジョンは表面のみを検査します。- 表面下の欠陥、溶接の完全性、または体積欠陥に対する染料浸透検査、渦電流検査、または超音波検査に代わるものではありません。そのため、完全な品質プログラムは引き続き AI 表面検査と適切な NDT 手法を組み合わせたものです。

ASTM A480 は、引き続き表面仕上げの分類と欠陥の許容基準の管理基準です。 AI システムは人間が定義した基準に基づいてトレーニングおよび検証されますが、その逆は行われないため、仕様と最終処分の権限は、引き続き該当する材料基準と発注書にあります。-

AI- ベースの欠陥検出では、訓練された深層学習モデルを使用してステンレス鋼表面のカメラ画像を分析し、リアルタイムで自動的に欠陥を特定、分類、位置特定し、手動の目視検査や単純なルールベースのマシンビジョン-を置き換えまたは強化します-。主な違いは、システムがプログラムされた一定のしきい値に従うのではなく、ラベル付きのサンプルから欠陥パターンを学習することです。

ステンレス鋼表面の従来の検査は、訓練を受けた人間の検査員に依存しており、固定ピクセルしきい値よりも明るい、暗い、または大きいものにフラグを立てる基本的なマシンビジョンの支援を受けることもあります。どちらのアプローチにも限界が十分に文書化されています。つまり、人間の検査員は 8- または 12- 時間のシフトで疲労し、可動コイルの 1 メートルごとに十分な注意を維持することができません。一方、単純なしきい値-ベースの視覚システムでは、大量の偽陽性が発生します。- 業界筋によると、偽陽性率は 15 ～ 30% だとされています。これは、本物の欠陥と、反射、許容範囲内のロールマークなどの無害な表面変化とを区別できないためです。照明アーティファクト。

AI 欠陥検出は、ほとんどの場合、畳み込みニューラルネットワーク (CNN) または新しいビジョントランスフォーマー (ViT) アーキテクチャ上に構築され、数千から数百万のラベル付き画像でトレーニングされるため、真の欠陥と通常の表面の変化を区別する視覚的特徴を学習します。トレーニングが完了すると、モデルは生産ラインの速度でライブカメラ画像に対して推論を実行し、欠陥にフラグを立てて分類し、その情報をライン制御システムに直接渡して、人間がすべてのフレームを確認することなく、リアルタイムで並べ替え、マーキング、または拒否を行うことができます-。-。

AI ビジョンシステムは通常、最も広く使用されている研究として機能する 6 つのカテゴリ NEU 表面欠陥分類法 (ひび割れ、介在物、斑点、穴あき表面、鱗状の圧延、傷) を使用して、ステンレス鋼 - の孔食、引っかき傷とロールマーク、スケールと傷跡、非金属介在物、エッジ亀裂、パッチまたは酸化変色 - で長年手動で追跡されてきた同じ欠陥カテゴリを検出するようにトレーニングされています。トレーニングのベンチマーク。
欠陥カテゴリ	見た目は	典型的な原因	ステンレス鋼にとって重要な理由
孔食 / 孔食表面	局所的な小さな窪みまたは空洞	汚れ、酸洗いムラ、スケールの巻き込み	不動態酸化クロム層を破壊し、塩化物による腐食が発生する場所を作ります-
傷・凹み	さまざまな深さの線状の表面マーク	位置ずれしたガイドとの接触、ローラー上の破片、取り扱いによる損傷	美容上の拒絶反応のリスク;より深いガウジは応力集中部として機能します
ロールマーク	表面に刻印された繰り返しパターン	ローラー表面の損傷または摩耗	上流の機器の磨耗を示します。ロールチェンジを引き起こすことが多い
スケール/傷跡の巻き込み-	舌-または魚の鱗のような-不規則な黒い斑点	圧延中に表面に押し込まれた酸化スケール	酸洗いで除去するのは困難です。剥がれ落ちて後で穴ができる可能性があります
内包物	点、線、またはブロック-形状の非金属粒子-	製鋼中に混入するスラグまたは耐火物	局所的な材料特性を弱めます。荷重がかかると亀裂として広がる可能性がある
エッジクラック	シートまたはコイルのエッジに沿った細かい亀裂から明らかな亀裂	不均一な冷却による熱ストレス、化学的問題	さらなる処理中に伝播する可能性があります。コイル拒絶の原因となることが多い
ひび割れ・斑点	細かい表面亀裂または不規則な明暗の斑点のネットワーク	表面応力、冷却ムラ、酸化色	軽度の場合は主に表面上の症状ですが、プロセス制御の問題を示します

NEU 表面欠陥データベース (鋼表面欠陥分類の標準的な学術ベンチマーク) および発行されたステンレス鋼製造業者の欠陥ガイドから編集された欠陥カテゴリ。特定の欠陥の種類と重大度の合格基準は、ASTM A480 表面仕上げ要件と準拠する発注書を参照する必要があります。

本番環境の AI ビジョンシステムは、制御された照明、高速カメラまたはラインスキャンイメージング、画像前処理、トレーニングされた深層学習モデル、結果をライン制御にフィードバックするデシジョンレイヤーという 5 つのコンポーネントがリンクされたパイプラインです。-、システムの実際の精度は、AI モデル自体の強度だけでなく、5 つすべてが連携することに依存します。-

How Does a Production AI Vision Inspection System Actually Work

照明と画像取得

一貫して適切に制御された照明は、後付けではなく前提条件です。-ステンレス鋼の反射面は、照明設計を本当に困難にしています。不均一または不均一な照明は、振動、モーションブラー、表面スケールからのノイズと並んで、鋼の表面画像を確実に分類することが難しい最も一般的に挙げられる理由の 1 つです。-高速ライン-スキャンまたはエリア- スキャンカメラは、移動するストリップやシートの画像を複数の角度から、または複数の照明ジオメトリを使用してキャプチャし、特定の反射角でのみ見える欠陥を捕捉します。

前処理と深層学習モデル

キャプチャされた画像は、トレーニングされたモデルに渡される前に、前処理 - でサイズ変更、正規化が行われ、場合によってはノイズを低減したり、不均一な照明を補正するためにフィルタリングされます -。-。公表された研究によると、この前処理ステップだけで、適切に調整された CNN アーキテクチャ上でも分類精度を大幅に向上させることができます。-モデル自体は、分類 (欠陥の種類)、位置特定 (画像上のどこにあるのか)、セグメンテーション (欠陥の正確な境界は何か) の 3 つのタスクのうち 1 つ以上を実行します。

ディシジョンレイヤーとラインの統合

最後の層は、モデルの出力をアクションに変換します。つまり、下流の処理のために欠陥位置をマークし、自動拒否をトリガーし、欠陥の種類と重大度を品質データベースに記録します。より成熟した展開では、欠陥の頻度とパターンのデータを上流のプロセス制御および保守システム (コンピュータ化された保守管理システム (CMMS) との統合ポイントがますます一般的になりつつあります) にフィードバックして、繰り返し発生する欠陥パターンがさらなる損失を引き起こす前に機器の保守を開始できるようにします。

畳み込みニューラルネットワーク (ResNet、MobileNet、SqueezeNet、EfficientNet のバリアント) は、依然として鉄鋼表面欠陥分類の主力アーキテクチャであり、Faster R{0}}CNN や新しい Vision Transformer モデルなどの物体検出器が位置特定やより困難で乱雑なシーンに使用されます。標準ベンチマークで公表されている精度は、およそ 95% から 99% 以上の範囲ですが、実際の本番環境の精度は、トレーニングデータが実際の回線状態にどの程度一致するかに大きく依存します。-
建築ファミリー	代表的な役割	報告されたパフォーマンス (研究ベンチマーク)
CNN 分類器 (ResNet-50、MobileNetV2、EfficientNetB3、SqueezeNet)	画像全体または切り取られた-パッチの欠陥分類	データセットとアーキテクチャに応じて、一般的に約 95% から最大 99% 以上の精度が挙げられます。ある SqueezeNet- ベースの研究では、クリーンなテストセットで 100%、ノイズ、ぼやけ、照明の変化を加えた場合は 97.5% と報告されました。
物体検出器（高速な R-CNN とそのバリアント）	単一の画像内の複数の欠陥の位置を特定して分類する	ベースラインと比較して、平均精度が約 0.1～0.15 向上したことが報告されました。NEU-DET ベンチマークにおいて、アーキテクチャ変更後の R-CNN が高速になりました
ビジョントランスフォーマー (ViT)	CNN よりも長距離の画像コンテキストを強力にキャプチャする分類と位置特定。-	最近発表された研究では、6 つのカテゴリの鋼表面断層分類について約 96% の全体精度が報告されています。-

この数値は、NEU および関連する鋼表面欠陥データセットを使用した、公開された査読済みおよびプレプリント研究からまとめられています。{0}これらは研究によるベンチマーク結果であり、本番環境でのパフォーマンスが保証されているわけではありません。-実際の導入では、特定の製品、カメラのセットアップ、問題のラインの欠陥数に対する検証が必要です。

最新の軽量 CNN アーキテクチャの実際的な利点の 1 つは、推論速度です。いくつかの公開されている実装は、単一の産業用 GPU 上で 1 秒あたり 100 フレームを優に超えて実行されます。これは、プロセスのボトルネックになることなく、移動するコイルやシートラインに追いつくのに十分な速さです。

結論 AI ビジョンは表面のみの検査方法であり、カメラでは検出できない表面破壊や表面下の欠陥を検出する染料浸透探傷試験、渦電流試験、または超音波試験に代わるものではありません。-完全なステンレス鋼品質プログラムでは、AI ビジョンを使用して高速で完全なカバー範囲の表面スクリーニングを行い、溶接の完全性、亀裂検出、体積欠陥用の NDT 手法を確保しています。-
方法	検出するもの	スピード/自動化	ベストフィット
AI- ベースのマシンビジョン	表面-目に見える欠陥のみ（孔食、傷、スケール、表面に見える介在物、斑点）	フル{0}}スピード、フル-カバレッジ、継続的な自動検査	大量の-平坦な圧延シート、ストリップ、コイルの表面スクリーニング-
染料浸透試験 (PT)	非強磁性ステンレス鋼などの表面-破壊亀裂および多孔性-	手動の複数ステップのプロセス（適用、維持、削除、開発、検査）{0}}	溶接および鋳造表面-形状または材料により他の方法が除外される場合の亀裂検査
渦電流検査 (ECT)	導電性材料の表面および表面近くの亀裂。-結果はほぼ瞬時に得られます-	自動化および配列が可能ですが、溶接の粗さと形状の影響を受けやすい	導電性ステンレス製品のチューブ、薄い溶接、{0}}表面の傷のスクリーニング
超音波検査（UT）	表面下および体積欠陥、肉厚、腐食、深部の溶接の完全性	訓練を受けたオペレーターまたは自動化されたフェーズドアレイシステムが必要です。{0}サーフェス-画像メソッドではありません	より厚い溶接、肉厚の検証、{0}}内部欠陥の検出

公開されている NDT およびマシンビジョンの文献から編集されています。-方法の選択は、デフォルトで単一の方法を選択するのではなく、該当する検査基準と特定の製品形状（平坦な圧延シート、溶接、チューブなど）に従う必要があります。-

AI の欠陥検出は、トレーニングされたモデルを制限するのと同じ要因によって制限されます。つまり、大規模で代表的な、正確にラベル付けされたトレーニングデータが必要です。データ内で過小評価されているまれな欠陥タイプ (クラスの不均衡) に悩まされています。トレーニング画像とは異なる、振動、モーションブラー、不均一な照明などの現実世界の状況に騙される可能性があります。{0}{1}{1}そして、エッジケース、新製品の導入、最終的な処分の決定については依然として人間の監視が必要です。

データとラベル付けの負担: モデルの品質はそのトレーニングセットによって決まります。また、数千の欠陥画像 -、特に稀な欠陥や微妙な欠陥タイプ - に正確にラベルを付けることは、システムが実稼働グレードの信頼性に達する前に、多額の先行投資となります-。

クラスの不均衡: 一部の欠陥タイプ（コイルのスプリットエッジ亀裂）は、日常的な欠陥（軽微な傷）よりもデータ内で発生する頻度がはるかに低く、これは研究で一貫して鋼表面の欠陥検出における中核的な課題であると特定されています。これは、一般的な欠陥を中心にトレーニングされたモデルでは、稀ではあるが重大な欠陥が検出されない可能性があるためです。-

What Are the Limitations and Implementation Challenges of AI Defect Detection

現実世界の画像の変動性: 振動、モーションブラー、一貫性のない照明、表面スケールノイズは、実際の生産ライン画像をきれいな実験室のベンチマーク画像よりも正確に分類することが困難になる要因として、文献で特にフラグが立てられています。-

グレードと製品の切り替え: 1 つの製品フォーム、ゲージ、または仕上げでトレーニングされたモデルは、追加のトレーニングデータや転移学習がなければ別の製品にきれいに移行できない場合があります。そのため、モデルのメンテナンスは 1 回限りの導入ではなく、継続的なプログラムです。{0}}

表面のみを対象とします。{0}上で説明したように、AI ビジョンでは表面下の欠陥や体積欠陥を認識できないため、これらの欠陥の種類が懸念される場合の浸透探傷、渦電流探傷、または超音波探傷試験の必要性が排除されるわけではありません。

人間の-参加者--要件: ASTM A480 などの材料仕様に対する最終処分、および境界線または新しい欠陥の提示に対する判断の要求は、特に導入後の初期段階で、訓練を受けた品質エンジニアがフラグ付きの結果をレビューすることで恩恵を受けます -。

AI 検査の ROI は、個別の欠陥検出精度ではなく、顧客逃亡とクレームの削減、検査労働者の再割り当て、速度のボトルネックである手動検査の除去によるラインスループットの向上、上流プロセス改善のための欠陥データ自体の価値-の 4 つの測定可能な要素に基づいて評価します-。

研究論文の精度数値は出発点であり、ビジネスケースではありません。さらに意思決定に関連する質問は、現在、見逃した表面欠陥に起因する顧客からの苦情や返品がどれだけあるのか、そのほとんどをなくすことにどのような価値があるのかということです。-現在どれだけの検査労働者が表面の目視チェックに充てられているか、またそのチームをより価値の高い品質のエンジニアリング作業に再配置できるか。-現在ライン速度に上限を設けている手動検査を行うか、削除された場合のその容量の価値はいくらか。また、システムによって生成された欠陥の分類と位置データを上流のプロセスパラメータ (ロール条件、酸洗いラインの設定、温度プロファイル) に関連付けて、ラインの最後でより早く欠陥を捕捉するのではなく、発生源での欠陥率を減らすことができるでしょうか。

単一ラインまたは製品ファミリーのパイロットプログラムは、定義された期間にわたる既存の手動検査結果と比較してベンチマークされ、完全な展開に着手する前に、精度の主張とスループットおよび労力の仮定の両方を検証する最も信頼できる方法です。

Q: AI による欠陥検出は人間の品質検査員を完全に置き換えることができますか?

A: 完全にはそうではありません。 AI システムは、高速でフルカバレッジの表面スクリーニングを、疲れた人間の検査員よりもはるかに安定して処理します。しかし、材料仕様に対する最終的な判断、境界線または新たな欠陥の判断、モデル自体の監視には、依然として訓練を受けた品質エンジニアが必要です。ほとんどの本番環境のデプロイメントでは、完全に自律的ではなく、人間が-関与しています。--

Q: NEU 表面欠陥データベースとは何ですか? この分野で頻繁に登場するのはなぜですか?

A: NEU (ノースイースタン大学) の表面欠陥データベースは、広く使用されている公開されているラベル付きの鋼表面画像のセットで、6 つの欠陥カテゴリ -、ひび割れ、介在物、斑点、穴あき表面、圧延スケール、引っかき傷をカバーしています。-これは、鋼表面欠陥検出モデルのトレーニングと比較のための標準的な学術ベンチマークとなっており、多くの公開された精度データがこれを参照しているのはそのためです。

Q: AI 画像検査は、溶接の渦電流検査や超音波検査に代わるものですか?

A: いいえ。AI ビジョンは表面画像手法であり、表面下や体積の欠陥を検出することはできません。{1}渦電流検査は、導電性材料の表面および表面近くの亀裂を迅速に検出するための標準であり、超音波検査は、表面下の傷、壁の厚さ、深さでの溶接の完全性の標準であり続けています。-これらの手法は AI ビジョンを補完するものであり、AI ビジョンに置き換わるものではありません。

Q: AI 欠陥検出システムは、研究ベンチマークだけでなく、実際の生産においてどの程度正確ですか?

A: 公開されている研究ベンチマークでは、一般的に 95 ～ 99% 以上の精度が報告されていますが、これらの数値は厳選されたデータセットに基づいています。実際の生産精度は、導入されたカメラ、照明、製品の状態がトレーニングデータとどの程度一致するかによって決まります。産業導入を専門とするベンダーは、システムが特定のライン - に適切に調整されれば、達成可能な生産精度は 95% 以上であると述べています。そのため、検証済みのパイロットプログラムがベンチマークの数値だけよりも重要であるのです。

Q: メーカーは AI 検査プロジェクトを開始する前にどのようなデータを取得する必要がありますか?

A: ラインが実際に生成する欠陥タイプをカバーする、正確にラベル付けされた代表的な一連の画像。理想的には、一般的な欠陥タイプだけではなく、まれな欠陥タイプの例や、現実的な生産条件 (きれいな実験室サンプルだけでなく) で撮影された画像が含まれているため、モデルは実際に使用中に発生する振動、照明、騒音への対処方法を学習します。

AI- ベースの欠陥検出は、学術研究からステンレス鋼の表面品質検査のための実用的で導入可能なツールに移行しており、CNN と Vision Transformer モデルは現在、標準ベンチマークで 95 ～ 99% 以上の範囲の精度を報告し、移動ラインをリアルタイムで検査するのに十分な速度で実行されています。これは、置き換えられる手法の 2 つの弱点、つまり人間の検査員の疲労と一貫性のなさ、および単純なしきい値に基づくマシンビジョンの高い誤検知率-{6}}に直接対処します。

AI の視覚では認識できない表面下の欠陥や体積欠陥を検出する NDT 手法 - 色素浸透検査、渦電流検査、および超音波検査 - を置き換えるものではありません。また、合格基準の最終決定としての管理材料規格 ASTM A480 に代わるものでもありません。このテクノロジーから最大限の価値を得ているメーカーは、このテクノロジーを、大規模な手動検査のために交換される単一のテクノロジーではなく、実際の生産データに対して検証された、より広範な品質システム内の 1 つのよく統合されたレイヤーとして扱っています。{4}}