Achieving 100% Accuracy in Steel Surface Defect Classification Using a Custom High-Performance CNN

技術要約：カスタム高性能CNNを用いた鋼材表面欠陥分類における精度100%の達成

問題提起
製造業においては、クレイジング（ひび割れ）、インクルージョン（介在物）、パッチ（斑点）、ピット（点食）、ロールインスケール（巻き込みスケール）、およびスクラッチ（擦り傷）といった、鋼材製品の表面欠陥の検出において継続的な課題に直面している。これらの欠陥は、材料の廃棄、製品品質の低下、および生産コストの増大を招く。ディープラーニング、特に畳み込みニューラルネットワーク（CNN）は、このタスクにおける支配的な手法となっているが、標準的なNEU-CLSベンチマークにおいて完全な分類（精度100%）を達成することは依然として大きな障壁となっている。アテンション機構を用いた浅いCNN、ウェーブレットベースのアプローチ、およびResNetやVGGのような汎用アーキテクチャを含む従来の最先端手法は、最大99.67%から99.98%の精度を報告しているが、データセット全体にわたる完璧な分類率には至っていない。

手法
本研究では、6クラスの鋼材表面欠陥分類タスクのために特別に設計された、カスタム高性能CNNアーキテクチャを提案する。手法は以下のように構成される：

• データセット： 本研究では、6つの欠陥クラス（各クラス300枚、計1,800枚）に均等に分布した、200 × 200ピクセルのグレースケール画像で構成されるNEU-CLSデータセットを利用する。
• モデルアーキテクチャ： 提案するネットワークは、フィルタサイズを段階的に大きくした4つの畳み込み層で構成されており、各層の後にバッチ正規化（Batch Normalization）と最大プーリング（MaxPooling）が続く。この設計により、単純なエッジから複雑な欠陥パターンに至る階層的な特徴の抽出が可能となる。特徴抽出の後、表現はフラット化され、3つの全結合（Dense）層によって処理される。最終層には、6クラス分類のためのソフトマックス（softmax）活性化関数が採用されている。
• 学習戦略： モデルはAdamオプティマイザとスパースカテゴリカル交差エントロピー損失を用いて学習される。堅牢性を確保するため、検証精度に基づいて最良のモデルを保存するEarly StoppingおよびModelCheckpointメカニズムを利用する。
• 検証プロトコル： 特定の訓練・テスト分割への依存を回避し、汎化性能を保証するために、本研究では5分割層化交差検証（5-fold stratified cross-validation）を採用する。データセットは5つのフォールドに分割され、クラス分布を維持した状態で、4つのフォールドでモデルを訓練し、残りの1つのフォールドで検証を行う。このプロセスを5回繰り返し、すべてのフォールドにおけるパフォーマンス指標を平均化する。

主な貢献
本研究の主な貢献は、NEU-CLSベンチマークにおいて新たなグローバル・ステート・オブ・ザ・アート（SOTA）を達成する、タスク特化型のCNNアーキテクチャの導入である。汎用モデルに依存したり、単一実行の結果を報告したりしてきた従来の研究とは異なり、本論文は、注意深く設計されたカスタムアーキテクチャが既存の手法を一貫して上回ることができることを実証している。著者らは、これらの結果の完全な再現性を確保するために、コードと学習済みモデルを公開している。

結果
提案されたモデルは、交差検証のフォールド全体で卓越した性能を示した：

• ピーク性能： 5つの交差検証フォールドのうち4つにおいて、モデルは**精度（Accuracy）100%、適合率（Precision）100%、再現率（Recall）100%、およびF1スコア100%**を達成した。
• 平均性能： 残りのフォールドでは精度99.44%となり、すべてのフォールドにおける総合平均精度は**99.89%**であった。
• 視覚的検証： 代表的なフォールドの混同行列（Confusion Matrix）は、クラスごとに60個の正解サンプルを示し、オフダイアゴナル（対角線外）のエラーはゼロであった。同様に、全6クラスのROC曲線はAUC（曲線下面積）1.00に達し、完璧なクラス識別能を示した。
• 比較： これらの結果は、これまでに報告された最高値である単一実行結果の99.98%（改良型VGG16）や、Shallow CNN + Attention（99.90%）などの他の手法の平均結果を上回っている。

意義と主張
本論文は、複数の独立した交差検証フォールドにおいて100%の精度を達成したことは、産業検査における重要な節目であると主張している。著者らは、適切に設計されたタスク特化型アーキテクチャが、専門的な産業タスクにおけるディープラーニングの潜在能力を最大限に引き出し、汎用モデルを凌駕できることを証明していると断言している。複数のフォールドにわたる結果の一貫性は、NEU-CLSデータセットのサイズが比較的小さいにもかかわらず、提案されたアプローチの堅牢性と汎化能力を裏付けている。著者らは、この成果が新たな世界記録を樹立し、製造業における品質管理のための専用ネットワーク設計の有効性を実証するものと結論付けている。