金属3Dプリンティング（積層造形）が量産に入りきらない理由は、装置価格ではない。品質が読めないことである。同じデータで同じ装置を回しても、ロットによって欠陥の出方が変わる。検査を厚くすれば単価が跳ね上がる。今回の論文は、この検査工程を機械学習で軽くする試みだ。表面欠陥8,284枚の画像で精度98.91%。注目すべきは数字そのものより、新しい欠陥の種類を少ないラベルで追加できるという設計にある。
1. なぜ今、この研究なのか
理由1：積層造形は欠陥サンプルが集まらない。 量産していないから不良も出ない。出ないから学習できない。第12号の半導体検査で見た「不良サンプル不足」と同じ構造が、より厳しい形で現れる領域だ。
理由2：解き方が「合成」ではなく「転用」である。 第12号は足りないデータを合成で埋めた。本論文は、既に学習した知識を新しい欠陥種へ転用する。同じ問題に対する2つ目の解法として並べて読む価値がある。
理由3：対象欠陥が実務的である。 割れ、ピンホール、穴、スパッタ（溶融金属の飛散）。いずれも積層造形の現場で日常的に判定を迫られる種類だ。
この記事で持ち帰れる3つのこと
- 不良サンプルが少ない工程で、検査AIを立ち上げる2通りの選択肢
- この論文が扱っている範囲と、扱っていない範囲の正確な線引き
- 少量多品種の造形現場に置いたときの費用感
2. 論文を読む：転移学習と少数ショットの組み合わせ
2-1. 課題設定
レーザー粉末床溶融結合（LPBF）における表面欠陥の検出である。課題はラベル付きデータの不足。特に、新しい材料・新しい造形条件で今まで見たことのない欠陥が出たとき、その種類のサンプルは数枚しかない。
2-2. 手法
TransMatchは2つの技術を組み合わせている。
- 転移学習：既に大量の画像で学習済みのモデルを土台にする
- 半教師あり少数ショット学習：新しい欠陥種について、ラベル付きの数枚と、ラベルのない多数の画像の両方を使って学習する
ラベルのない画像も学習に使える点が実務的だ。造形物の画像は撮れば貯まるが、それに「これは割れ」と印を付ける作業に人手がかかる。印を付けていない画像も無駄にしないという設計になっている。
2-3. 結果
- データ：表面欠陥画像 8,284枚
- 欠陥種：割れ、ピンホール、穴、スパッタ
- 精度：98.91%
論文は、従来のメタ学習手法を上回ったと報告している。
2-4. 誠実な限界
本論文は査読付き会議・論文誌への採択情報が示されていないプレプリントである（2025年9月1日投稿）。当社では「最新研究」として扱う。加えて、導入判断において最も重要な線引きを明示しておく。
- 対象は表面欠陥の画像分類である。内部の空隙（ポロシティ）や未溶融といった、断面を見なければわからない欠陥は対象外
- 造形中のリアルタイム監視ではない。 造形後の画像を分類する枠組みであり、異常検知して途中で止める用途とは設計が異なる
- 精度98.91%は整理されたデータセット上の数値であり、実際の生産ラインでの検証結果ではない
- 比較対象となるベースラインの詳細は要旨からは確認できない
積層造形の品質保証で本当に怖いのは内部欠陥である。本手法は「見える欠陥を安く見る」技術であり、「見えない欠陥を見る」技術ではない。ここを混同したまま導入すると、検査体制の穴に気づけなくなる。
2-5. シリーズの地図
第12号（半導体・合成データ）、第14号（地下鉄・実故障3件）、本号（積層造形・少数ショット）。3号続けて「不良サンプルが足りない」問題を扱っている。解き方は合成・オンライン学習・転移学習と異なるが、産業AIの実装で最も普遍的な制約がここにあることを示している。
3. 日本のビジネスに置き換えると何が起きるか
本章以降の適用シナリオは、論文が直接検証した範囲（LPBF表面欠陥の画像分類）を超えた、当社の応用解釈である。自社の材料・装置での成立は実測による確認が必要になる。
| 論点 | 論文が示したこと | 当社の解釈（日本の現場に置くと） |
|---|---|---|
| ラベル不足 | 数枚＋未ラベル画像で新欠陥種に対応 | 試作段階から検査AIを育てられる |
| 対象範囲 | 表面欠陥のみ | CT・断面検査を置き換えるものではない |
| 運用形態 | 造形後の画像分類 | 既存の外観検査工程への追加として設計する |
| 精度 | 98.91%（データセット上） | 自社の材料・条件で必ず再測定が必要 |
| 前提資産 | 未ラベル画像も活用可 | 過去の造形物写真が資産になる |
日本の積層造形は、少量多品種・高付加価値部品が中心だ。航空宇宙、医療機器、金型、試作。いずれも1個あたりの単価が高く、検査に人手をかけている。裏を返せば、1個あたりの検査工数削減インパクトが大きい領域である。
ただし現実的な障壁もある。航空宇宙や医療機器では、検査方法そのものが顧客承認・規格の対象になる。AIによる判定を正式な検査工程に組み込むには、顧客・認証機関との合意が要る。当面は人の検査を残したまま、事前スクリーニングとして使う形が現実的だろう。
4. 導入シナリオ：PoC → 拡大 → 展開
フェーズ1：PoC（3ヶ月）
過去の造形物写真を集め、うち代表的な欠陥について数十枚にラベルを付ける。既存の外観検査結果との一致率を測る。この段階では新規の撮像設備を入れない。
フェーズ2：拡大（6ヶ月）
撮像条件を標準化し、造形後の全数撮影を工程に組み込む。検査員が判定を修正した記録を蓄積し、再学習に回す仕組みを作る。
フェーズ3：展開（以降）
材料・装置を増やすたびに少数ショットで欠陥種を追加する運用に載せる。新材料の立ち上げ期間短縮が、この技術の最大の効果として効いてくる。
5. 残っている課題3点
課題1：表面欠陥の検査を、品質保証全体と取り違える。 内部欠陥は本手法の対象外である。CT検査や破壊検査の頻度を下げる根拠には使えない。
課題2：顧客・規格側の承認を後回しにする。 航空宇宙・医療分野では検査方法の変更自体が承認事項になる。技術検証と並行して顧客協議を始めること。
課題3：撮像条件のばらつきを軽視する。 画像分類である以上、照明や角度が変われば精度は落ちる。撮像の標準化に投資しないと、数字は再現しない。
6. 稟議で使えるキーワードと自己診断
キーワード1：未ラベルデータの活用。 撮り溜めた画像に価値があることを示す。過去の投資が無駄でなかった、という説明ができる。
キーワード2：新材料の立ち上げ短縮。 検査コスト削減より、開発リードタイム短縮のほうが経営層に響く場合が多い。
キーワード3：適用範囲の明示。 表面欠陥に限定することを稟議書に明記する。過大な期待を先に潰しておくと、1年後の評価で揉めない。
自己診断チェックリスト
- 過去の造形物の写真は、何点分・どの条件で残っているか
- 外観検査に1点あたり何分かけているか把握しているか
- 検査員による判定のばらつきを測ったことがあるか
- 内部欠陥の検査（CT・断面）を、年間何点に実施しているか
- 顧客との契約上、検査方法の変更に承認が必要か
- 新材料を立ち上げるとき、検査基準の確立に何ヶ月かかっているか
上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。
7. まとめ
キーメッセージ1：不良サンプル不足には、合成と転用という2つの解法がある。 自社のデータ状況に応じて選べる段階に来ている。
キーメッセージ2：表面欠陥と内部欠陥は、別の問題である。 この線引きを曖昧にした導入は、品質保証の穴を作る。
キーメッセージ3：効果が最も大きいのは、検査コストではなく立ち上げ期間の短縮である。 少量多品種の現場ほど、この効き方が大きい。
一次ソース
- Mohsen Asghari Ilani, Yaser Mike Banad. “TransMatch: A Transfer-Learning Framework for Defect Detection in Laser Powder Bed Fusion Additive Manufacturing.” arXiv:2509.01754v1, 2025年9月1日投稿
- データ：表面欠陥画像 8,284枚（割れ、ピンホール、穴、スパッタ）
- 手法：転移学習＋半教師あり少数ショット学習
- 報告精度：98.91%
- 掲載状況：査読付き会議・論文誌への採択情報は公開されていない
次号予告
第22号は、食品製造を取り上げる。異物混入と品質のばらつきという、消費者の安全に直結する領域で、AI検査がどこまで実務に耐えているかを扱う。
