想定読者：溶接工程を持つ製造業の生産技術・品質保証担当で、検査の自動化を検討している方。設備投資の稟議を自分で書く立場を想定しています。
溶接は、自動化が最も進みにくい工程の1つである。ロボットは溶接できるが、溶接がうまくいったかどうかを判断できない。だから人が後から見る。あるいは全数を非破壊検査に回す。どちらも高い。今回の論文は、この判断をマイクとカメラだけで行う。しかも欠陥サンプルを集めずに。4,000件を超える溶接データで、11種類の欠陥に対し平均AUC 0.92を達成している。
1. なぜ今、この研究なのか
理由1：センサーが安い。 マイクとカメラである。X線でも超音波でもない。1台あたりの追加投資が数万円台から始められる構成で、この精度が出ている。
理由2：教師なしで学習している。 「欠陥の種類は無数にあり、ラベル付きデータには偏りが入る」という理由で、正常データのみから学ぶ方式を採っている。不良サンプルを作らずに始められる。
理由3：ロボット溶接の弱点を正面から突いている。 論文の出発点は「ロボットには溶接欠陥を検出する能力が現状ない」という一文である。自動化投資をしたのに検査が人手のまま、という工場は多い。
この記事で持ち帰れる3つのこと
- 溶接検査を、安いセンサーで自動化する構成の考え方
- 教師なし方式が向く工程・向かない工程の見分け方
- 既存の溶接ロボットに後付けする場合の費用感と回収期間
2. 論文を読む：音と映像を組み合わせる
2-1. 課題設定
ロボット溶接の良否判定である。溶接中に発生するアーク音と、溶融池の映像の両方を記録し、正常な溶接のパターンから外れたものを検出する。
2-2. データと構成
- 規模：4,000件を超える溶接サンプル
- 対象：複数の溶接種別・材料・欠陥カテゴリ
- 欠陥の種類：11分類
- センサー：マイクとカメラ
- 学習方式：教師なし（正常データのみから学習）
教師なしを選んだ理由が明確に書かれている点が実務的だ。欠陥の空間は広く、ラベル付きデータには偏りが入りうる——だから正常だけを学ぶ。この判断は、第12号（半導体・合成データ）や第21号（積層造形・少数ショット）とは異なる第3の解法にあたる。
2-3. 結果
| 条件 | 平均AUC |
|---|---|
| 音＋映像（マルチモーダル） | 0.92 |
| 音のみ／映像のみ | 単独より組み合わせが優位 |
AUCは1.0が完璧、0.5がでたらめに相当する。0.92は実用検討に入れる水準である。第24号で扱った学習なしの音響異常検知が0.63台だったことと比べると、対象を溶接に絞り、映像を組み合わせ、正常データで学習することの効果がはっきり出ている。
論文は、音からも映像からも大半の欠陥カテゴリについてリアルタイム検出が可能だと述べている。
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（2024年9月3日投稿）。当社では「最新研究」として扱う。加えて、読者側で補うべき留保が3点ある。
- 11種類すべてが同じ精度ではない。 平均AUC 0.92であり、検出しにくい欠陥種が存在する。自社で問題になっている欠陥がどれに当たるかの確認が要る
- モデルの具体的な構成が要旨からは確認できない。 再現性の観点では、本文の確認が必要になる
- 録音・撮像の条件が精度を左右する。 工場の暗騒音、他ラインの音、スパッタによるレンズ汚れ。実環境の要因は本研究の主眼ではない
2-5. シリーズの地図
「不良サンプルが足りない」問題への解法が、これで4つ並んだ。第12号は合成（足りないデータを作る）、第21号は転用（他から持ってくる）、第14号は逐次学習（流れてくるデータで育てる）、そして本号が教師なし（正常だけを学び、外れを見る）。
どれを選ぶかは、自社に何があるかで決まる。 正常データが大量にあるなら教師なし、欠陥の定義が明確なら合成、既存モデルがあるなら転用。この4分類は、そのまま社内検討の入口として使える。
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（ロボット溶接の音・映像データ）を超えた、当社の応用解釈である。自社の材料・溶接条件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） |
|---|---|---|
| センサー費用 | マイクとカメラのみ | 既存の溶接ロボットへの後付けが現実的 |
| 学習データ | 正常データのみ | 不良品を意図的に作る工程が不要 |
| 精度 | 平均AUC 0.92 | 全数検査の前段スクリーニングとして成立しうる |
| 欠陥種の差 | 種類ごとにばらつきあり | 自社の頻出欠陥での性能を個別に確認する |
| 環境要因 | 主眼ではない | 暗騒音・スパッタ対策が導入成否を分ける |
日本の製造業で効くのは、溶接ロボットは入れたが、検査は人が後から見ている工場である。造船、建設機械、圧力容器、自動車部品。いずれもロボット化率は高いのに、検査工程が律速になっている。
特に効果が大きいのは全数検査をしている現場だ。0.92の精度は「人の検査を無くす」水準ではないが、明らかに正常なものを外して、疑わしいものだけ人が見るという運用なら成立する。検査対象が半分になれば、それだけで効果が出る。
一方、溶接部が構造安全に直結する工程（圧力容器、橋梁、原子力関連）では、法令・規格が検査方法を定めている。AIによる判定を正式な検査に置き換えることはできない。前段のスクリーニングに限定する設計が現実的である。
4. 導入シナリオ：PoC → 拡大 → 展開
フェーズ1：PoC（3ヶ月）
溶接ロボット1台にマイクとカメラを追加し、3ヶ月分の正常溶接を記録する。この段階では欠陥を作らない。 期間中に実際に発生した不良を後から突き合わせ、検出できていたかを確認する。
フェーズ2：拡大（6ヶ月）
対象を3〜5台へ広げ、判定結果を検査工程へ連携する。「疑わしい」と判定されたものだけ人が見る運用に切り替え、検査対象がどれだけ減るかを測る。暗騒音とレンズ汚れへの対策をここで固める。
フェーズ3：展開（以降）
全溶接ロボットへ適用し、材料・板厚・溶接条件が変わるたびに正常データを追加する運用を作る。条件変更時の再学習を誰が担うかを決めておくこと。
5. 残っている課題3点
課題1：法令・規格が定める検査を置き換えようとする。 圧力容器や構造部材では検査方法が規定されている。前段スクリーニングに限定すること。
課題2：自社の頻出欠陥での性能を確認しない。 平均AUC 0.92は11種類の平均である。自社で最も困っている欠陥が、苦手な種類である可能性がある。
課題3：溶接条件の変更を運用に反映しない。 材料・板厚・電流を変えれば、正常の音も映像も変わる。変更管理と再学習を紐づけないと、半年で誤検出だらけになる。
6. 稟議で使えるキーワードと自己診断
キーワード1：不良品を作らずに始められる。 教師なし方式の最大の利点である。準備期間とコストが他方式より小さい。
キーワード2：スクリーニングによる検査対象の削減。 検査を無くすのではなく減らす。品質保証部門の抵抗が最も小さい説明の仕方である。
キーワード3：既存ロボットへの後付け。 設備更新ではないことを明示する。投資区分が変わる。
自己診断チェックリスト
- 溶接ロボットは何台あり、年間何箇所を溶接しているか
- 溶接部の検査に、何名・何時間をかけているか
- 過去1年で最も多かった溶接欠陥の種類を3つ挙げられるか
- 溶接部の検査方法が、法令・規格・顧客仕様で指定されているか
- 溶接条件（材料・板厚・電流）を変更する頻度はどれくらいか
- 工場の暗騒音レベルと、溶接ロボット周辺の環境を測ったことがあるか
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：溶接検査は、マイクとカメラで実用検討に入る水準に来た。 平均AUC 0.92は、スクリーニング用途なら十分に成立する。
キーメッセージ2：不良サンプルを作らずに始められる。 正常データだけを学ぶ方式は、準備コストが最も低い。
キーメッセージ3：狙いは検査を無くすことではなく、減らすこと。 この設計にすれば、品質保証部門と対立せずに導入できる。
一次ソース
- Georg Stemmer, Jose A. Lopez, Juan A. Del Hoyo Ontiveros, Arvind Raju, Tara Thimmanaik, Sovan Biswas. “Unsupervised Welding Defect Detection Using Audio And Video.” arXiv:2409.02290v1, 2024年9月3日投稿
- データ：4,000件超の溶接サンプル、複数の溶接種別・材料、11種類の欠陥カテゴリ
- センサー：マイクとカメラ
- 学習方式：教師なし（正常データのみ）
- 主要結果：音＋映像の組み合わせで平均AUC 0.92。単独モダリティより優位
- 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29号は、AIを入れた「後」の話を取り上げる。精度は導入時が最高で、そこから落ちていく。その劣化をどう捉え、いつ手を入れるかを扱う。
