日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

溶接欠陥検出arXiv:2609.07893

マルチモーダルデータに基づく実時間ガスメタルアーク溶接の隅肉継手における説明可能な時間的注意機構を用いた欠陥検出

Explainable Temporal Attention-based Defect Detection For Fillet Joints in Real-Time Gas Metal Arc Welding Based on Multi-modal Data

シェア:XThreadsFacebookLINEはてブBluesky

溶接中の画像と音声データを用いて、時間的注意機構を備えた深層学習モデルで内部欠陥を検出し、F1スコア0.99を達成。説明可能AIでモデルの判断根拠を解釈し、信頼性を向上させた。

詳しい要約

1. どんなもの?

本論文は、実時間のGas Metal Arc Welding (GMAW)における隅肉溶接(fillet joints)の内部欠陥(porosity, lack of penetration and fusion, undercut, cold lap)を検出するための、マルチモーダル時系列注意機構に基づく深層学習モデルを提案している。溶接画像と音響データを入力とし、注意機構により時系列の重要部分に焦点を当てる。さらに、explainable AI (XAI)を用いてモデルの挙動とデータセット分布を解釈し、各欠陥の検出に重要な画像領域や音響スペクトログラムの領域、および好ましいモダリティを特定する。

2. 先行研究と比べてどこがすごい?

先行研究では、溶接欠陥検出に深層学習を用いることが多いが、内部欠陥の検出は困難であり、マルチモーダルデータと時系列情報を統合したモデルは限られている。本提案は、マルチモーダル(画像と音)の時系列データに注意機構を導入し、F1 Scoreを0.99まで向上させた点が優れている。また、XAIを用いてモデルの判断根拠を可視化し、信頼性と解釈性を高めている点も新しい。

3. 技術・手法の肝は?

手法の肝は、マルチモーダルな時系列データ(溶接画像と音)を入力とする深層学習モデルに、時間的注意機構(temporal attention)を組み込んだ点である。注意機構により、各タイムステップの重要度を学習し、欠陥の発生時点に焦点を当てる。また、XAIを用いてモデルの予測に対する入力の寄与を分析し、画像と音のスペクトログラムのどの領域が重要かを特定する。

4. どうやって有効だと検証した?

産業用協働溶接ロボットから収集した溶接画像と音データを用いてモデルを訓練し、欠陥検出性能を評価した。注意機構の有無を比較し、注意機構を追加することでF1 Scoreが0.99に向上したことを示した。また、XAIによる解釈結果を提示し、モデルの挙動とデータセット分布の理解に役立つことを示した。

5. 議論はある?

要旨からは、提案手法の限界や他の手法との比較、実用化における課題などについての議論は不明である。また、XAIの解釈結果の定量的評価や、異なる溶接条件での汎用性についても言及がない。

6. 次に読むべき論文は?

要旨で参照されている研究は明示されていないが、関連分野として、溶接欠陥検出における深層学習、マルチモーダル学習、時系列注意機構、explainable AIに関する論文が挙げられる。具体的には、溶接モニタリングへのCNNやLSTMの適用、Transformerベースの時系列モデル、Grad-CAMなどのXAI手法を扱った論文が参考になる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Mobina Mobaraki, Mahyar Asadi, Klaske Van Heusden, Guy A. Dumont

分類: cs.AI, cs.LG

原文アブストラクト

Deep learning is an efficient technique to monitor the real time welding process, reducing post-welding repairs and production delays. This paper leverages the monitoring capability by proposing a multi modal temporal attention based deep learning defect detection model for internal defects that are challenging to detect, including porosity, lack of penetration and fusion, undercut, and cold lap during Gas Metal Arc Welding in fillet joints. The model is trained on collected welding images and sound data from an industrial collaborative welding robot. The results show that the attention module can improve the F1 Score to 0.99. We use explainable Artificial Intelligence to interpret the proposed models behavior and dataset distribution, determining potential important areas in image and sound spectrograms and preferred modality to detect each defect. This improves trust and reliability in Artificial Intelligence driven welding inspection.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2Google DeepMind、ロボット向けAIを発表新製品・発表
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  5. 5SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI