溶接の内部欠陥であるブローホール・ポロシティは、表面のビード検査では捉えきれません。X線（ラジオグラフィ）画像をAIで判定する仕組み、表面検査との役割分担、運用設計の勘所を、過検出・規格適合の観点から実務目線で整理します。
溶接部の品質を語るとき、現場ではしばしば「ビードがきれいかどうか」が話題になります。アンダーカット、オーバーラップ、ビードの蛇行、スパッタといった表面の状態は、確かに溶接の良し悪しを示す重要なサインです。しかし、溶接が抱えるリスクのうち、構造強度に直結する一群は、表面をどれだけ精密に撮影しても写らない場所に潜んでいます。それが、ブローホール（気孔）やポロシティ、内部の割れ、融合不良（融合不良・溶け込み不足）といった内部欠陥です。
ブローホールは、溶融金属が凝固する過程でガスが抜けきれず、内部に球状や楕円状の空洞として残るものだと理解されています。表面に開口していれば外観でも気づける場合がありますが、多くは金属の内部に閉じ込められ、外からは健全な溶接に見えてしまいます。ここに、表面検査と内部検査を「別の検査」として分けて考えなければならない根本的な理由があります。本記事では、溶接ビードの外観検査とは明確に切り分けて、内部欠陥をX線で捉えるラジオグラフィ（放射線透過試験）と、その画像をAIで判定する取り組みに焦点を当てて整理します。
カメラによる外観検査は、ワーク表面で反射した可視光を捉えています。照明の当て方を工夫すれば、微小な凹凸やテクスチャの違いまで強調できますが、それはあくまで表面の情報です。一方、ラジオグラフィはX線やガンマ線をワークに透過させ、内部の密度差・厚みの違いによる減衰量の違いを画像に変換します。気孔のように金属が欠落した部分は放射線がよく透過するため、画像上では周囲より明るい（あるいは規約により暗い）領域として現れる、という原理です。つまり両者は「反射光」と「透過した放射線」という、まったく異なる物理量を見ているわけです。
この違いは、AI判定を設計する上でも本質的な意味を持ちます。表面検査向けに学習させたモデルを内部欠陥に転用しても、写りの前提が異なるため有効に働かない可能性が高いと考えられます。内部欠陥のAI判定は、ラジオグラフィ特有の画像特性を前提に、別個の課題として設計する必要があると考えます。
圧力容器、配管、橋梁、建設機械、車両の構造部材など、溶接部に荷重がかかり続ける用途では、内部の気孔や割れが応力集中の起点となり、疲労破壊や漏れにつながる懸念があります。だからこそ多くの分野で、抜き取りあるいは全数で放射線透過試験を行い、規格に基づいて合否を判定する運用が定着してきました。検査そのものの重要性が高いがゆえに、検査の品質を支える有資格検査員の確保と、判定のばらつき抑制が、現場の継続的な課題になっていると考えられます。
製造現場全体としては、検査だけでなく溶接工程そのものの技能伝承や人材確保も難しくなっています。内部欠陥のラジオグラフィ判定は、まさにこの「熟練に依存する判断」の典型であり、ここをAIで支援する意義は小さくないと考えます。
AI判定の設計に入る前に、ラジオグラフィで対象となる内部欠陥の種類を整理しておきます。欠陥の種類によって画像上の見え方が異なり、必要なアノテーションや学習データの集め方も変わるためです。ここを曖昧にしたまま「溶接の欠陥を検出するAI」とひとくくりにすると、現物検証の段階で混乱が生じやすいと考えられます。
ブローホールは比較的大きな単独の気孔、ポロシティは小さな気孔が群れて分布した状態を指すことが多いと理解されています。画像上では、いずれも周囲より放射線がよく透過した丸い領域として現れます。単独で大きいものは検出しやすい一方、微小なものが散在するポロシティは、ノイズや粒状性との区別が難しく、検出のしきい値設計が悩ましい対象になりがちです。AI判定では「どのサイズ・どの密度から欠陥として拾うか」を、規格と現場の合意に沿って定義していく必要があると考えます。
割れは線状の濃淡として、融合不良や溶け込み不足は溶接境界に沿った帯状・線状の領域として現れることが多いとされます。これらは気孔のような丸い形状とは見え方が異なり、向き（撮影方向との関係）によっては写りにくいこともあります。割れは構造上のリスクが高い欠陥である一方、コントラストが低く検出が難しい場合があるため、AIに任せきりにせず検査員の確認を組み合わせる前提で考えるのが妥当だと考えられます。
溶接材料やスラグ、電極の一部が内部に取り込まれた欠陥もあります。これらは周囲の金属より密度が高い場合があり、気孔とは逆に「より暗い（透過しにくい）領域」として現れることがあります。つまり、内部欠陥といっても「明るく写るもの」と「暗く写るもの」が混在するため、AIは単純な明るさのしきい値だけでなく、形状・分布・コントラストの方向性を含めて判断する設計が求められると考えます。
ここまで挙げた欠陥は、いずれも「内部」に着目したものです。アンダーカットやビード形状不良といった表面欠陥は、ラジオグラフィでも一部写ることがありますが、本来はカメラによる外観検査の領域です。Nsightでは、外観のAI検査とラジオグラフィの内部欠陥判定を別ラインとして切り分け、それぞれに最適な撮像・判定を設計する方針を取っています。両者を一つのモデルに詰め込もうとすると、要件が拡散し精度も運用も中途半端になりやすいと考えられます。
内部欠陥のAI判定は、入力となるX線画像の品質に強く依存します。撮像系を抜きに「AIの精度」を語ることはできず、ここを押さえずに導入を進めると、後段の検証で行き詰まりやすいと考えられます。本セクションでは、画像の取得方式と、それがAI判定に与える影響を整理します。
従来の放射線透過試験はフィルムを用いていましたが、近年はデジタル化が進み、イメージングプレートを使うCR（コンピューテッドラジオグラフィ）や、フラットパネルディテクタで直接デジタル画像を得るDR（デジタルラジオグラフィ）が用いられる場面が増えていると理解されています。AI判定の前提としては、画像がデジタルデータとして取得・保存されることが出発点になります。フィルムをスキャンしてデジタル化する経路もありますが、スキャン時の品質ばらつきが入る点には留意が必要だと考えます。
同じ溶接部でも、母材の板厚や材質が変われば、必要なX線のエネルギーや露光条件が変わり、画像のコントラストや粒状性が変化します。薄板で良好に写る条件が、厚板では透過不足になることもあります。つまり、AIモデルが扱うべき画像の分布は、対象とする製品群の板厚・材質レンジに大きく左右されます。ここを固定せずに「汎用の溶接欠陥AI」を目指すと、学習データの分布が広がりすぎて精度が安定しにくいと考えられます。対象を絞り込み、その範囲で確実に効かせる設計が現実的だと考えます。
ラジオグラフィ画像には、量子ノイズ、散乱線によるコントラスト低下、ディテクタ由来のムラ、撮影幾何（線源・ワーク・ディテクタの位置関係）に起因する拡大やボケなどが含まれます。これらは欠陥そのものではないのに、欠陥らしく見えてしまう要因になり得ます。AI判定では、こうしたアーチファクトを欠陥と取り違えないことが、過検出を抑える上で重要だと考えます。前処理での規格化や、撮影条件のメタデータをモデルに与える設計が有効な場合があると考えられます。
ラジオグラフィの判定は、検査員の主観だけで決まるものではなく、対象分野ごとの規格や仕様で「許容される欠陥のサイズ・個数・分布」が定められているのが通例です。AI判定を設計する際は、この合否基準を出発点に据える必要があります。単に「欠陥らしき領域を検出する」だけでなく、検出した欠陥を規格のカテゴリに対応づけ、合否の根拠を示せるようにすることが、現場で受け入れられる条件になると考えます。エッジ環境での処理可否を含め、エッジとクラウドの使い分けも設計段階で検討する価値があります。
内部欠陥のAI判定で最も誤解されやすいのが、「AIが検査員の代わりに合否を出す」という捉え方です。現実的には、AIは検査員の判断を支援し、負荷を下げ、見落としと見過ぎを減らす役割に置くのが妥当だと考えます。ここでの設計思想は、表面検査でAIを導入する場合とも共通します。
全数または抜き取りで撮影した大量のラジオグラフィ画像を、AIがまずスクリーニングし、「明らかに健全」「欠陥の疑いあり」に大別する使い方です。健全と判断された画像は検査員が短時間で確認し、疑いありの画像に時間を集中投下できます。この方式は、判定の最終責任を検査員に残しつつ、確認作業のメリハリをつける点で、現場の受容性が高いと考えられます。判定を完全自動化するより、まずはこの一次仕分けから入る方が、リスクを抑えながら効果を出しやすいと考えます。
長時間の画像確認は集中力の低下を招きやすく、微小な欠陥の見落としリスクが残ります。AIを検査員と並行して走らせ、双方の判断が食い違った画像だけを再確認する運用は、見落としを減らす一つの形だと考えられます。AIが拾って検査員が見落とした、あるいはその逆、というケースを定期的に振り返ることで、検査全体の感度を底上げできる可能性があります。
感度を上げれば見落としは減りますが、その分ノイズやアーチファクトを欠陥として拾う過検出が増えます。過検出が多いと検査員の確認負荷が逆に増え、現場の信頼も損なわれます。ここで有効なのが、一次検出の結果をさらに選別する後段の仕組みです。プリント基板のAOIで過検出を二次選別する考え方と通じるもので、検出はやや甘めに広く拾い、後段で「これは本当に欠陥か、アーチファクトか」を判定して絞り込む二段構えが、内部欠陥判定でも有効な場合があると考えます。
溶接の品質検査は、トレーサビリティが重視される分野です。AIが「欠陥あり」と判断した場合、その根拠となる領域をヒートマップやバウンディングボックスで示し、判断の記録を残せることが求められます。なぜそう判定したかを後から確認できる仕組みは、規格適合の説明や、万一の不具合時の検証で重要になると考えられます。運用後のモニタリングと組み合わせ、判定ログを蓄積していく設計が望ましいと考えます。
内部欠陥のAI判定が表面検査と比べて難しい大きな理由の一つが、学習データの確保です。ここを軽視すると、PoCは動いても本番で精度が出ない、という結末になりやすいと考えられます。PoCが失敗する理由の多くも、データ設計の甘さに起因すると考えます。
品質管理がしっかりした現場ほど、内部欠陥の発生率は低く、欠陥サンプルが集まりにくいという構造的な問題があります。良品ばかりが大量にあり、欠陥は希少という不均衡なデータでは、欠陥側の学習が進みにくいと考えられます。対策として、過去に蓄積された不合格画像の掘り起こし、意図的に欠陥を作り込んだテストピースの活用、欠陥領域の切り出しによるデータ拡張などが検討されますが、いずれも現物・規格との整合を取りながら慎重に進める必要があると考えます。
ラジオグラフィ画像のどこが欠陥で、どの種類で、規格上どう扱うかの判断には、放射線透過試験の専門知識が必要です。一般的な画像アノテーション作業者では正確なラベル付けが難しく、有資格者の関与が前提になります。ここがコストと時間を押し上げる要因になりますが、ラベルの質がモデルの上限を決めるため、省略はできないと考えます。アノテーション基準を文書化し、複数名の判断を突き合わせて揺れを減らす運用が重要だと考えられます。
線源の種類、エネルギー、露光、ディテクタ、撮影幾何が変われば画像も変わります。特定の条件だけで集めたデータで学習すると、条件が変わった途端に精度が落ちる懸念があります。実運用で想定される条件の幅を、できるだけ学習データに含めることが望ましいと考えます。条件をメタデータとして記録し、後から条件別の精度を検証できるようにしておくと、運用改善がしやすくなると考えられます。
最終的に欲しいのは合否ですが、いきなり合否を学習させるより、まず欠陥の有無・種別・サイズを検出し、その結果を規格ルールに通して合否を導く方が、判断の透明性が高くなると考えます。規格は改定や仕様変更があり得るため、検出（AI）と合否ルール（規格ロジック）を分離しておくと、ルール変更時に再学習なしで対応できる利点があると考えられます。この設計思想は、目視検査をAIに置き換える際の一般的な勘所とも共通します。
内部欠陥のラジオグラフィAI判定は、表面検査以上に前提条件が多く、見落とすと手戻りが大きくなりがちです。これまでの整理を踏まえ、特に注意したい落とし穴を挙げます。いずれも、現物と現場の運用に即して事前に潰しておくべき項目だと考えます。
これらは、表面のビード検査とは別の検査として内部欠陥を扱う、という本記事の基本姿勢から導かれるものです。両者を混同しないことが、落とし穴を避ける最初の一歩だと考えます。
最後に、内部欠陥のラジオグラフィAI判定をどう進めるか、段階的なロードマップとして整理します。重要なのは、どの段階でも「現物のワークと実際の撮影系での検証」を前提に置くことだと考えます。カタログ上の精度ではなく、自社の製品・規格・運用で本当に効くかどうかを、一つずつ確かめていく姿勢が欠かせないと考えられます。
まず、どの製品・どの溶接部・どの板厚材質レンジを対象とし、どの規格・仕様で合否を判定しているかを棚卸しします。ここを明確にしないと、後続のデータ収集も精度評価も基準が定まりません。対象を欲張らず、効果が見込める範囲に絞ることが、立ち上げを早める鍵だと考えます。
デジタル画像（DR/CR）の取得経路を整え、過去の合否画像を含めてデータを整備します。欠陥サンプルの希少性を踏まえ、掘り起こしとアノテーション基準の文書化を並行して進めます。この段階で撮影条件のばらつきも把握し、学習に織り込む方針を固めると、後の精度の安定につながると考えられます。
いきなり合否自動化を目指すのではなく、健全/疑いありの一次仕分けや、検査員との二重化から始めます。PoC（実証）を通じて、自社データでの検出傾向・過検出の出方・検査員との一致度を定量的に確認します。ここで得られた知見を、しきい値や後段選別の設計に反映していきます。
検出結果を規格の合否基準に対応づけるロジックを整備し、判定の根拠と履歴を残せる形で運用に乗せます。運用後も、検査員との不一致やアーチファクト誤検出を定期的に振り返り、データとモデルを更新し続けることが、精度を維持する前提だと考えます。技能伝承の観点でも、熟練検査員の判断をデータとして蓄積していく意義は大きいと考えられます。
Nsightでは、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、表面のビード外観検査と内部のラジオグラフィ判定を切り分けた上で、それぞれに適した撮像・判定の設計を支援しています。内部欠陥のAI判定は、板厚・材質・撮影条件によって写り方が大きく変わるため、一般論だけで精度を約束することはできないと考えています。だからこそ、現物のワークと現場の撮影系・規格・運用を前提に、一緒に検証を重ねながら、効く範囲と効かせ方を確かめていく進め方を推奨します。まずは対象の溶接部とお手持ちの画像があれば、どこまで現実的かを率直に検討するところから始められればと考えています。
内部に閉じ込められた気孔は、表面で反射する可視光を捉える外観検査では原理的に写りません。表面に開口している一部の欠陥を除けば、内部の密度差を可視化するX線（ラジオグラフィ）が主要な手段になると考えられます。外観検査はビード形状やアンダーカットなど表面の状態に、ラジオグラフィは内部欠陥にと、役割を分けて考えるのが妥当だと考えます。
現段階では、AIに最終的な合否判定の責任を負わせるより、検査員を支援する位置づけが現実的だと考えます。具体的には、大量画像の一次仕分け、見落とし対策の二重化、過検出の後段選別といった役割です。検出結果を規格の合否基準に対応づけ、判断の根拠を残せるようにした上で、最終判断は有資格の検査員が担う設計を推奨します。
内部欠陥は発生率が低く、サンプルが集まりにくいのが一般的です。過去の不合格画像の掘り起こし、テストピースの活用、欠陥領域の切り出しによるデータ拡張などで補う方法がありますが、いずれも現物と規格との整合を取りながら進める必要があります。まずは対象を絞り、手持ちのデータでどこまで現実的かを検証するところから始めるのが良いと考えます。
板厚や材質が変わると必要なX線条件や画像の写り方が変わるため、対象範囲を広げるほど精度は安定しにくくなる傾向があります。最初から汎用化を狙うより、効果が見込める板厚・材質レンジに絞って確実に効かせ、段階的に範囲を広げる方が現実的だと考えられます。対象範囲の設計は、現物検証の早い段階で固めることをおすすめします。
デジタル画像（DR/CR）が取得できる環境であれば、まずは既存運用と並行してAIを走らせ、一次仕分けや二重化から始める形が取りやすいと考えます。運用フローを大きく変えずに効果を確認できる進め方です。撮影系の標準化やデータ整備の状況によって最適な入り方は変わるため、現場の運用を踏まえて一緒に検討させていただければと考えています。
対象の溶接部とお手持ちのX線画像があれば、自社の規格・運用でどこまで現実的かを率直に検討できます。表面のビード検査と内部欠陥判定を切り分けた上で、効く範囲と効かせ方を一緒に確かめていきます。
現物検証・相談をする