鋳造品のポロシティ（ガス巣）と引け巣をAIで検出するための論点を整理します。X線透過検査と表面検査の役割分担、欠陥タイプ別の見え方、教師データ設計、過検出と見逃しのバランスまで、現物検証を前提に解説します。
鋳造品の品質保証において、ポロシティ（ガス巣）と引け巣（引け、シュリンケージポロシティ）は、最も頻度が高く、かつ判定が難しい欠陥の代表格だと考えられます。これらは外観上ほとんど見えないか、あるいは機械加工後に初めて表面へ顔を出すことがあり、出荷後の漏れ・破断・耐圧不良といった重大トラブルの起点になりやすい欠陥です。本記事では、鋳造全般の総論ではなく、この「ポロシティ・引け巣という欠陥タイプ」に絞って、画像AI・X線AIで検出する際の論点を整理します。
両者はしばしば「鋳巣」とまとめて呼ばれますが、発生のメカニズムは異なります。ポロシティ（ガス巣）は、溶湯に溶け込んだガスや巻き込まれた空気が凝固時に逃げきれず、球状〜楕円状の空隙として残るものと一般に説明されます。一方の引け巣は、凝固収縮に対して溶湯の補給が間に合わず、最終凝固部に不規則な樹枝状・海綿状の空隙が生じるものとされます。
この違いは検査設計に直結します。ガス巣は比較的なめらかな輪郭の独立した空隙として現れやすく、引け巣は枝分かれした不定形のかたまりとして現れやすい、という傾向があると考えられます。同じ「空隙」でも、形状特徴・分布・発生部位が異なるため、ひとつのモデルで一律に扱うより、欠陥タイプを意識して教師データと判定基準を組むほうが現実的だと考えます。
外観傷やバリと違い、ポロシティ・引け巣の多くは素材の内部に閉じています。表面検査用のカメラで真上から撮っても、内部の空隙はそのままでは写りません。ここが、めっき・塗装の外観欠陥検査や金属表面の打痕検査とは決定的に異なる点です。内部欠陥を非破壊で可視化するには、X線透過のように素材を貫通する手法か、あるいは機械加工後に開口した断面を撮る表面検査か、という選択が必要になります。
つまり鋳巣検査は、「どう判定するか」の前に「そもそもどう写すか（撮像・透過の設計）」が成否を分けます。画像AIの議論に入る前段で、対象欠陥がどの工程で・どの面に・どの程度の大きさで現れるのかを棚卸しすることが、検証の出発点になると考えます。鋳造工程の可視化という観点では、工程の見える化の取り組みと併せて検討する価値があると考えられます。
鋳巣検査が難しいとされる理由を整理すると、第一に内部欠陥であること、第二に許容される鋳巣径が小さく微小欠陥の検出が求められる場合があること、第三に安全部品では全数検査が要求されやすいことが挙げられます。サンプル抜取りで済む工程ならば破壊検査の併用も選択肢ですが、全数・非破壊・微小という条件が重なると、人手とX線フィルムだけでの運用は負荷が高くなりがちです。ここに画像AI・X線AIによる自動化・支援の余地があると考えられます。外観検査全般の前提整理は外観検査自動化の基礎もあわせてご参照ください。
鋳巣検査のAI化を考えるとき、最初の分岐は「X線透過で内部を見るのか」「表面（加工面・破断面・開口部）を撮るのか」です。両者は補完関係にあり、どちらか一方で全てを賄えるとは限りません。対象欠陥の性質に応じて、役割分担を設計する発想が現実的だと考えます。
ポロシティ・引け巣の多くは内部欠陥であるため、出荷前の素材状態で内部を評価したい場合はX線透過が中心になります。X線は素材の厚み・密度差を透過量の差として捉えるため、空隙部は周囲より透過しやすく、画像上では濃淡差として現れます。アルミダイカストや砂型鋳物の内部健全性評価では、リアルタイムX線、あるいはX線CTが定番の手法とされます。
ただしX線画像の濃淡差は、肉厚の変化や複数欠陥の重なり、鋳造形状の凹凸によって容易に埋もれます。厚肉部の小さなガス巣は、薄肉部の大きな欠陥より見えにくい、という逆転も起こりえます。したがってX線AIでは、画像の見かけのコントラストだけでなく、部位の肉厚・撮影ジオメトリを踏まえた判定設計が重要になると考えられます。
一方で、機械加工後に表面へ開口した鋳巣、鋳肌に露出したガス巣、シール面・合わせ面に現れたピンホール状の空隙などは、可視光カメラの表面検査で捉えうる対象です。加工面に開口した引け巣は、漏れ・シール不良の直接原因になりやすいため、加工後工程での表面検査が品質保証上きわめて重要になる場合があります。
表面開口した鋳巣は、照明設計次第でコントラストが大きく変わります。空隙の縁に生じる微小な段差・影をどう強調するかは、同軸落射・ローアングル・リング照明などの組み合わせを現物で試して決める領域だと考えます。表面欠陥の撮像設計については、金属部品の外観検査の知見が応用できると考えられます。
整理すると、内部に閉じた健全性評価はX線、加工後・シール面に開口した欠陥は表面検査、という大枠の役割分担が出発点になると考えます。両工程を別々のAIで設計し、X線で内部健全性を、表面検査で開口欠陥を、それぞれの検出限界を明示して受け持たせる構成が、現実的な落としどころになりやすいと考えられます。なお、どちらの手法でも「許容される鋳巣の基準（径・面積率・個数・部位）」を先に定義しないと、AIの判定基準が決まりません。基準の合意が検証の前提になります。エッジ機器で処理するかクラウドに上げるかといった構成判断はエッジとクラウドの検査AI比較も参考になります。
ポロシティと引け巣、さらに表面開口の有無で、画像上の見え方と扱い方が変わります。ここでは欠陥タイプごとに、AI設計上の着眼点を整理します。一律のモデルではなく、欠陥の性質に合わせて特徴量・教師データ・判定ロジックを組み分ける発想が有効だと考えます。
ガス巣は球状〜楕円状で輪郭が比較的なめらか、独立して点在する傾向があるとされます。X線画像では、周囲より明るい（透過量の多い）円形〜楕円形の領域として現れやすく、形状がはっきりしているぶん、検出のとっかかりは掴みやすい部類だと考えられます。ただし微小なガス巣はノイズや粒状ムラと紛れやすく、検出限界の見極めが論点になります。許容径より小さい巣をどこまで拾うか、拾った上で良品判定するかは、検出と判定を分けて設計するのが扱いやすいと考えます。
引け巣は不定形で、樹枝状・海綿状・線状に広がることがあり、輪郭が曖昧になりやすい欠陥です。X線画像でも淡く広がるモヤ状の濃淡として現れることがあり、ガス巣のような明確な輪郭を持たない場合があります。このため、エッジ強度だけに頼る古典的手法では捉えにくく、領域全体のテクスチャ・濃淡分布を学習する深層学習が相対的に有利になりやすい対象だと考えられます。深層学習とVLMの適性比較については、VLMとディープラーニングの違いも参考になると考えます。
鋳造品は部位ごとに肉厚が大きく異なるのが普通です。X線透過量は肉厚に強く依存するため、同じ大きさの空隙でも、厚肉部では淡く、薄肉部では濃く写ります。これを単一しきい値で処理すると、薄肉部で過検出、厚肉部で見逃しが同時に起きやすくなります。対策としては、部位ごとに判定基準を分ける、肉厚分布を考慮した正規化を前段に置く、形状CADと位置合わせして部位ラベルを与える、といったアプローチが考えられます。いずれも現物のX線画像で挙動を確かめながら詰める領域だと考えます。
鋳巣のような実不良は、良品に比べてサンプル数が圧倒的に少ないのが通例です。発生頻度の低い欠陥ほど、十分な不良画像を集めるのに時間がかかります。このため、不良を多数集めて分類器を学習する素直な教師あり学習だけに頼ると、データ収集がボトルネックになりがちです。良品の正常分布を学習して逸脱を捉える異常検知的なアプローチ、少数の不良を効率よく活かす設計、欠陥の物理に基づいたデータ拡張など、不良が少ない前提に立った戦略が現実的だと考えられます。教師データ収集の進め方は検査AIのPoCが失敗する理由でも触れています。
鋳巣検査は、エンジン部品・足回り部品・油圧部品など安全・耐圧に関わる部位で要求されることが多く、見逃し（不良を良品と判定）の許容度が極めて低い一方、過検出（良品を不良と判定）が過ぎると歩留まり悪化と再検査負荷を招きます。この相反をどう設計するかが、運用品質を決めると考えます。
安全部品では見逃しを徹底的に避けたいという要請が強く、判定を厳しめに振りがちです。しかし判定を厳しくすれば、肉厚ムラ・粒状ノイズ・正常な鋳肌の凹凸まで欠陥候補として拾い、過検出が増えます。過検出が増えれば人による再確認（オーバーリード）の工数が膨らみ、結局は省人化の効果が薄れます。AI単体で完結させるより、AIを一次スクリーニングと位置づけ、グレーゾーンのみ人が確認する二段構えが現実的な場合が多いと考えられます。
実装上は、「空隙を検出する段」と「検出した空隙が許容基準を超えるか判定する段」を分けると設計が整理しやすいと考えます。前段は感度高めに空隙候補を拾い、後段で径・面積率・部位・個数といった合否基準を当てて判定する構成です。こうすると、基準が変わったとき（顧客や用途で許容鋳巣径が変わる）に、検出モデルを作り直さず後段の判定ルールだけ調整できる利点があると考えられます。
同じ大きさの鋳巣でも、シール面・薄肉部・応力集中部にあるか、非機能部にあるかで、不良としての重大性は変わります。一律の基準ではなく、部位ごとに許容基準を変える「部位重み付け」が、過検出を抑えつつ重要部の見逃しを防ぐ現実的な落としどころになりやすいと考えます。これには欠陥の位置を製品座標に変換するアライメントが前提となり、X線のジオメトリ補正・CADとの照合が技術的な肝になると考えられます。
安全部品では、なぜその判定に至ったかの説明可能性と、検査記録のトレーサビリティが品質監査上重要になります。検出した鋳巣の位置・サイズ・判定値を画像とともに記録し、後から追跡できる仕組みは、AIを業務に組み込むうえで欠かせないと考えます。検査データを継続的に蓄積・監視する運用は、運用モニタリングや工場データ基盤の枠組みで設計するのが扱いやすいと考えられます。
鋳巣検査AIの検討では、技術以前の前提でつまずくことが少なくありません。代表的な落とし穴を挙げます。導入前にこれらを点検しておくと、PoCの空振りを減らせると考えます。
これらはいずれも、現物の鋳造品とX線画像を前に検証すれば早期に発覚するものが多いと考えます。机上の仕様だけで進めず、サンプルでの試写・試判定を早い段階で挟むことが、手戻りを防ぐと考えられます。画像検査全般で何が難しく、どこに限界があるかは外観検査の限界と対処も併せてご覧ください。
鋳巣検査AIは、いきなり全数自動判定を目指すより、段階を踏んで適用範囲を広げるほうが、結果的に早く・確実に立ち上がると考えます。ここでは現実的な進め方を示します。
まず、対象品でどの鋳巣（ガス巣／引け巣）が、どの部位に、どの大きさで発生し、どの基準で不良としているかを棚卸しします。過去の不良流出事例・社内基準・顧客要求を突き合わせ、許容基準を文書化することが出発点です。ここが曖昧なままだと、後段のAI設計が空中戦になると考えます。
次に、内部欠陥はX線、開口欠陥は表面検査と役割を割り当て、現物で試写します。X線では管電圧・配置を、表面検査では照明を、欠陥が安定して見えるよう詰めます。この段階で「そもそも写るのか」を確かめることが、AIの前提条件を固めます。写らないものはAIでも判定できないため、撮像設計こそ最初の山場だと考えます。
限られた良品・不良サンプルで、検出と判定の見込みを評価します。完璧な精度をいきなり狙うより、どの欠陥タイプ・どの部位・どの検出限界までなら現実的に成立しそうか、適用範囲の輪郭を掴むことが目的です。不良が少ない前提のアプローチ選定、過検出と見逃しのバランス感も、この段階で方向性を固めます。PoC・導入コンサルティングの枠組みで、目的と評価指標を先に合意してから進めると、空振りを避けやすいと考えます。
最初からAI単独判定に振り切らず、AIを一次スクリーニング、グレーゾーンを人が確認する二段構えで運用を始め、データを蓄積しながら適用範囲と自動化率を段階的に広げる進め方が堅実だと考えます。検査記録を継続的に蓄積・監視する基盤を併せて整えることで、基準変更や新機種への展開も進めやすくなると考えられます。設備・排出機構との統合まで含めた一連の設計はAI外観検査サービスの枠組みで一体的に検討するのが望ましいと考えます。
Nsightの検査ソリューションは、元キーエンス画像処理事業部出身の監修者の知見を踏まえて設計しています。鋳巣検査は、欠陥の物理・撮像設計・判定基準・運用負荷が複雑に絡むため、カタログ的な精度値だけで適用可否を断ずることはできないと考えます。実際の鋳造品とX線・表面画像を前に、現物・現場での検証を通じて、どこまでが現実的に成立し、どこからは人の判断を残すべきかを、一緒に確かめていくことをお勧めします。机上の理想値ではなく、御社の現物で確かめた事実に基づいて適用範囲を見極める進め方が、結果的に最短だと考えています。
形状特徴が異なるため、原理的には区別の手がかりがあります。ガス巣は輪郭のなめらかな独立空隙、引け巣は不定形で広がる空隙として現れる傾向があり、これらをラベル分けして学習すれば分類は技術的に検討可能だと考えます。ただし実際の区別精度は、サンプル数・X線画像の品質・肉厚変動の影響に左右されます。区別自体が目的か、それとも合否判定が目的かを整理したうえで、現物で検証することをお勧めします。
内部に閉じた空隙を非破壊で評価する場合、X線透過（リアルタイムX線やCT）が中心的な手法になると考えられます。可視光の表面カメラは、表面に開口した鋳巣や鋳肌に露出したガス巣は捉えうりますが、内部に閉じた欠陥はそのままでは写りません。一方、機械加工後に開口した引け巣は表面検査で捉えられる場合があるため、加工前は内部評価、加工後は開口欠陥、と工程ごとに手法を割り当てる発想が現実的だと考えます。
実不良が少ないのは鋳巣検査では一般的な状況です。多数の不良で学習する素直な教師あり学習だけに頼ると行き詰まりやすいため、良品の正常分布から逸脱を捉える異常検知的なアプローチや、少数不良を活かす設計、欠陥の物理に基づくデータ拡張など、不良が少ない前提の戦略を選ぶことが現実的だと考えます。まずは手元のサンプルで、どこまで成立しそうかを小さく検証することをお勧めします。
対象欠陥・許容基準・要求される検出限界によって変わるため、一律にお答えするのは難しいと考えます。安全部品では見逃し許容度が低く過検出が増えやすいため、最初からAI単独判定に振り切るより、AIを一次スクリーニングとし、グレーゾーンのみ人が確認する二段構えから始め、データを蓄積しながら自動化率を段階的に高める進め方が堅実だと考えられます。現物検証で適用範囲を見極めたうえで判断することをお勧めします。
まず許容基準の文書化（許容鋳巣径・面積率・部位別基準）が最優先だと考えます。次に、対象欠陥がどの工程・どの面に現れるかの棚卸しと、X線・表面撮像の試写条件の整理です。あわせて、過去の不良流出事例や顧客要求を集めておくと、検出限界の設定がしやすくなります。これらが揃っていれば、PoCでの検証がスムーズに進むと考えます。詳しくはPoC支援の枠組みでご相談ください。
ポロシティ・引け巣の検出は、欠陥の物理・撮像設計・許容基準が絡み合い、カタログ値だけでは判断できません。元キーエンス出身の監修者とともに、御社の現物・X線画像で適用範囲を見極めるところから、一緒に確かめていきます。
現物検証・PoCを相談する