鋼鉄の海に潜む見えない欠陥の捜索

あなたが、大量の鋼鉄を製造する巨大な工場の品質検査員であると想像してみてください。この鋼鉄は、私たちが運転する車から、私たちが暮らす高層ビルまで、あらゆるものを作るための現代社会のバックボーン（背骨）です。しかし、ここに落とし穴があります。鋼鉄は完璧ではありません。製造過程で、表面に微細な亀裂、傷、ピット（点食）が現れることがあります。もしこれらの欠陥が肉眼では見えないほど小さければ、後で鋼鉄が破損し、危険な事故や高額な修理につながる可能性があります。

これらの「目に見えないトラブルメーカー」を捕まえるために、工場では「コンピュータの目」、つまり人工知能（AI）を搭載したスマートカメラを使用しています。これらのAIシステムは、鋼鉄の写真を見て、悪い箇所を見つけ出すように訓練されています。長い間、この仕事における最高のAIツールは、YOLO（「You Only Look Once」の略）と呼ばれる有名なアルゴリズムのファミリーに基づいてきました。YOLOを、群衆の中から特定の人物を見つけ出す、非常に高速で観察力の鋭い警備員だと考えてください。しかし、人間の警備員が光沢のある床の上の小さな塵を見逃してしまうことがあるように、これらのAI警備員も、非常に小さな欠陥や奇妙な形の亀裂を見つけるのに苦労することがあります。これらは大きなものを見つけるのは得意ですが、画像がズームアウトされたり処理されたりすると、細かいディテールを見失ってしまうことがよくあります。この論文は、その特定の課題、つまり工場のスピードを落とすことなく、いかにしてコンピュータの目を最も小さく危険な欠陥まで見えるほど鋭くするかという問題に取り組んでいます。

論文のストーリー：AIに「見えないもの」を見ることを教える

この研究では、西京大学の研究チームと中国の地元エネルギー企業が、標準的なYOLO AI警備員をアップグレードすることに決めました。彼らは、従来のモデルが「小さなもの」――細い線のようだったり、ぼやけたエッジのような形をしていたりする、微細な傷や不規則な亀裂――を見逃していることに気づきました。問題は、AIが全体像に集中しすぎてしまい、スキャンプロセス中に細かいディテールを失ってしまうことでした。これを解決するために、彼らはYOLO-LOLG Mambaと呼ばれる、よりスマートな新しいバージョンを構築しました。

古いAIモデルを、巨大な看板の上にいる小さなアリの写真を撮ろうとしている写真家に例えてみましょう。写真家は看板全体を見るためにズームアウトし続けますが、そうすることで、アリはぼやけてしまいます。研究者たちは、写真家を助けるために2つの新しいツールが必要だと気づきました。

1. 「超拡大鏡」（LODConv）： 最初のツールは、LODConvと呼ばれる特別なモジュールです。これは、単にズームインするだけでなく、どこを見るべきかを正確に知っている拡大鏡だと想像してください。これは、AIが小さな欠陥の微細で壊れやすいディテールを保持し、ぼやけて消えてしまわないようにするのを助けます。それは、警備員に鋼鉄の質感を強調する眼鏡を与え、最小の傷さえも際立たせるようなものです。
2. 「ライン・トレーサー」（LDAM）： 鋼鉄の欠陥は、しばしば長い細い線（傷のようなもの）や、奇妙でギザギザした形をしています。標準的なAIツールは、通常、画像の小さな正方形の塊しか見ていないため、これらの線を追うのが苦手です。研究者たちは、これらの長くうねる経路を追跡するために特別に設計された「ライン・トレーサー」モジュール（LDAM）を追加しました。それは、散らかった部屋の中にある糸の山を見るのではなく、一本の糸の筋を追うように警備員を訓練することに似ています。

しかし、ディテールを見るだけでは不十分でした。AIは、全体の絵がどのように組み合わさっているかも理解する必要がありました。ここで3番目のツールが登場します：MsGroupMamba。

パズルを解こうとしていると想像してください。一度に一つのピースだけを見ていると、それが空の一部であることに気づかないかもしれません。しかし、ステップバックして、ピースがパズル全体の中でどのようにつながっているかを見ることができれば、より速く解くことができます。MsGroupMambaモジュールは、小さなディテール（拡大鏡によるもの）と大きな絵（鋼鉄のシート全体）を結びつける「パズル・ソルバー（解法）」として機能します。これは「状態空間モデル」と呼ばれる特殊な数学を使用して、画像全体を一度に見渡し、ある角にある小さな傷が残りの表面とどのように関係しているかを理解します。これにより、AIは単なる形状だけでなく、欠陥の「物語」を理解できるようになります。

彼らが発見したこと

研究者たちは、新しいYOLO-LOLG Mambaシステムを、2つの有名な鋼鉄欠陥写真コレクション、すなわちNEU-DETデータセット（6種類の欠陥を含む1,800枚の画像）とGC10-DETデータセット（10種類の異なる欠陥を含む2,300枚の画像）でテストしました。

結果は有望でした。NEU-DETデータセットにおいて、新しいモデルは80.55%（具体的にはmAP@0.5で80.55%）のスコアを達成しました。これを比較するために言えば、標準的なYOLOv8モデル（「以前の」バージョン）のスコアは76.61%でした。これは、新しいシステムが約3.94%多くの欠陥を正しく発見したことを意味します。さらに印象的なことに、新しいモデルは旧モデルよりも実際には「小さく」、そして「高速」でした。標準的なYOLOv8が2.69百万パラメータと6.9 GFLOPsの計算能力を使用したのに対し、新しいモデルはより少ないコンピュータリソース（わずか2.36百万パラメータと6.1 GFLOPs）しか使用しませんでした。

チームはまた、「アブレーション実験（切除実験）」も行いました。これは、新しいモデルを分解して、どのパーツがどのような役割を果たしているかを確認するという、おしゃれな言い方です。彼らは以下のことを発見しました：

• 「超拡大鏡」（LODConv）を加えるだけで効果があった。
• 「ライン・トレーサー」（LDAM）を加えるだけで効果があった。
• 「パズル・ソルバー」（MsGroupMamba）を加えるだけで効果があった。
• しかし、これら3つすべてを組み合わせたとき、モデルは最も優れた性能を発揮し、軽量さを維持しながらより多くの欠陥を発見しました。

彼らはまた、新しいアテンション・メカニズム（「ライン・トレーサー」）を、LKAttentionやMSCAといった他の人気のある手法と比較しました。彼らの新しい手法であるLDAMは、一貫してより多くの欠陥を見つけ、ミスも少なく、背景のノイズを無視して実際の亀裂に集中する能力に優れていることを証明しました。

結論

この論文は、鋼鉄検査の世界におけるあらゆる問題を解決したと主張しているわけではありません。著者らは、彼らのモデルは公開データセットでテストされており、照明の変化や異なる種類の金属といった現実世界の混沌に対応するにはさらなる作業が必要かもしれないと慎重に述べています。しかし、彼らは、「拡大鏡」による微細なディテールの把握、「ライン・トレーサー」による奇妙な形状の追跡、そして「パズル・ソルバー」による全体像の理解を組み合わせることで、より鋭く、より効率的なAIツールを作り上げたことを示唆しています。

簡単に言えば、彼らはコンピュータの警備員に、単に「一度見る」だけでなく、これまで隠れていた微細で危険な欠陥を本当に「見る」ことを教えたのです。これは、将来的に工場が問題になる前に欠陥をより多く捉え、鋼鉄構造物をより安全で強くできる可能性を示唆しています。