浮田 浩行
製造工程検査部門（In-process Inspection：IPI）は，1980 年度から当協会で活動を開始した「005（非破壊検査画像処理）特別研究委員会」を源流としており，45 年以上にわたり，産業界における画像処理を中心とした非破壊検査・外観検査技術の発展を目指して活動を続けてきました。最近では，画像処理に用いるカメラやコンピュータの高性能化，低価格化に加え，機械学習を用いた検査技術の発展により，従来よりも高精度な検査が可能になってきていることから，工場等における人材不足や労働環境改善のため，機械による自動検査が多くの企業において，盛んに導入されています。
本部門では，これまでに，「画像処理技術応用による検査の自動化−画像検査の発展の道程を見据える−」（2014 年，第63 巻1 号），「人に学ぶ画像センシング技術の最新動向」（2016 年，第65 巻6 号），「人に学んだ画像センシング技術の最新動向」（2018 年，第67 巻7 号），「製造工程で活躍する外観検査技術」（2020 年，第69 巻7 号），「機械学習で飛躍する外観検査」（2022 年，第71 巻7 号），「画像データセットに注目した機械学習による外観検査」（2024 年，第73 巻9 号）と特集を組んで，当協会が協賛・共同企画を行っているシンポジウムやワークショップで高い注目を集めている検査技術や研究について紹介してきました。
2026 年度からは，学術組織の改編によって部門の構成が刷新されることに伴い，製造工程検査部門は，新たに設置される独立部門「情報通信・知能化部門」に移行することになります。具体的には，新部門内に「画像を用いた製造工程検査研究委員会」を設置し，この研究委員会で，これまでの活動を継続する予定です。従って，製造工程検査部門としての特集の企画は今回が最後ではありますが，今後は，「情報通信・知能化部門」および「画像を用いた製造工程検査研究委員会」において，非破壊検査・外観検査技術の発展に寄与したいと考えています。
このような背景から，本特集においては，製造工程検査部門のこれまでの活動と，非破壊検査・外観検査に関する今後の動向について当部門の主査および幹事を歴任されている方々にご執筆いただきました。まず，製造工程検査部門の歴史的経緯や概要，そして，今後の非破壊検査・外観検査の研究分野の発展について，当部門の主査および幹事を歴任されている輿水大和氏（中京大学名誉教授／（同）YYC ソリューション）に解説していただきました。次に，石井 明氏（香川大学名誉教授）には，目視検査の課題とその解決策について解説していただきました。ここで示されている目視検査やその改善方法は，画像を用いた検査の自動化を検討する場合でも，非常に参考になるものと思います。そして，青木公也氏（中京大学）からは，これまでに同氏が開発されてきた画像検査機械について解説していただきました。AI（機械学習）を用いた手法が発展してきた今だからこそ，「人に学ぶ」ことが重要だということは，石井氏の目視検査の内容と通じる部分もあり，今後の非破壊検査・外観検査技術を発展させるための「もう一手」を提示する内容と言えます。また，非破壊検査・外観検査で用いる技術は，いわゆる工業製品の検査だけでなく，医療や農林水産業の分野等でも活用されています。塚田敏彦氏（愛知工業大学）には，特に農業分野として，卵や梨を対象とした画像を用いた検査手法について解説していただきました。そして，最後に，浮田浩行（徳島大学）からは，当部門の活動の一つとして進めてきた「画像データセットプロジェクト」について紹介させていただきました。本特集が，製造工程検査部門のこれまでの活動の総括として，今後の画像を用いた非破壊検査・外観検査の新たな進展への一助になれば幸いです。
末筆ではありますが，大変ご多忙であるにもかかわらず，快くご執筆いただいた皆様，企画から刊行までお世話いただいた機関誌編集ご担当の皆様に，誌面をお借りして御礼申し上げます。
中京大学／ YYC ソリューション 輿水 大和
JSNDI should be a Promising Hero of the Image DL Era －Traveling from NDI005 through（ SSII） and IPI to ICI
Chukyo University/(LLC) YYC-Solution Hiroyasu KOSHIMIZU
キーワード: 画像AI 技術，Deep Learning（DL）技術，In-Process Inspection（IPI）部門，Information, Communication & Intelligence（ICI）独立部門，画像データセット
本稿の位置付けと狙い
本稿は，去る2026 年3 月26 日（木）に名古屋で開催された2025 年度製造工程検査（IPI）部門シンポジウムでの特別講演，『JSNDI は（検査画像の宝庫だから）DL 時代の寵児に』という試論・考察に本特集号にてあえて屋上屋を重ねるものである。
どうしてかというと，そこでのテーマ『JSNDI は画像DL時代の寵児』が，現下のJSNDI 学術組織改編においてICI 独立部門が基盤部門と応用部門の双方に直交して部門化されたことの歴史的意義※コラム（図1）に力を借りてもう一度，拙考してみたら，本稿においてもいよいよ動かぬ主張となったからである。
本稿では，この主張を次のような視点を借りて改めて考察して展望する。
まず第一に，歴史的な視点から考える。1980 年ごろ非破壊検査005 画像処理特別研究委員会の時代，そこでの主催シンポジウムの10 年，画像センシング技術研究会（SSII）の出家時代，製造工程検査（IPI）部門そして情報通信・知能化（ICI）独立部門に及ぶ時代変遷に貫かれた本邦の画像検査の源流に目を向ける。次は第二に，学術的パラダイムの視点から画像検査課題に深入りして考え，もって深層学習（DL）技術に牽引されている帰納的方法の自己主張，すなわちデータ駆動科学の現場の画像データの質と量の優位性の観点から，（一社）日本非破壊検査協会（JSNDI）のポテンシャルに目を向ける。最後に具体策的視点から，IPI 部門の一試み，「NDI‑ 画像DSCOEプロジェクト」（Data‑Set COE project）に触れて，本稿の主張具現化の具体的可能性の一助としたい。
香川大学 名誉教授 石井 明
Resolving Visual Inspection Issues as an Organization
Professor Emeritus, Kagawa University Akira ISHII
キーワード: 目視検査，周辺視，検査照明，周囲光，検査環境
はじめに
2010 年2 月に（公社）精密工学会 画像応用技術専門委員会内に周辺視目視検査法の解明と普及をミッションとするワーキンググループWG 14（感察工学研究会）を設置した。そして，その活動の成果を紹介し，参加者と討論する場として，目視検査に特化したワークショップ，PVI 外観検査ワークショップ（PVI：Peripheral Visual Inspection）を2017 年に12 月に開催し，その後，コロナ禍の時期を除いて毎年，開催してきた１）。
本活動の発端は，熟練検査員（周辺視目視検査法を身に付けている）が，なぜ目にもとまらぬ速さで不良を見逃すことなく，かつ疲れ切ることなく終日にわたって安定した品質の検査を行うことができるのか，その仕組みを解明し，周辺視目視検査法を普及させることであった。仕組みについては，二人の神経科学者（中村 俊博士，小柴満美子博士）によって脳科学的理解が進み，冊子「周辺視目視検査法の理解と導入のためのヒント」として（公財）ちゅうごく産業創造センター（現在：中国地域創造研究センター）より発行した２）。また，本機関誌の特集号「製造工程で活躍する外観検査技術（製造工程部門主査：塚田敏彦）」（2020 年7 月）に，解説「究極の外観目視検査技術を目指して」として寄稿した３）。
しかしながら，普及については，遅々として進まなかった。一番の要因は，検査員とその管理者双方の目視検査に対する誤った理解・常識であった。①照明をより明るくすれば不良を見逃すことはない。②もっとよく見れば不良を見逃すことはない。これらは検査員とその管理者双方が抱く誤った常識である。前者は発見した不良をより明るく照らせば不良はよりはっきり見えるからである。後者は誰が見ても不良であると分かる不良を見逃したからである。結果として，不良の見逃しは検査員の過失となり強く叱責されることになる。文献３では，①と②は，検査員が不良に気付くことができずに見逃す主要因であることを指摘した。従って，不良の見逃しを防止するには，なぜ，当該の検査員がその不良に気付けなかったかの原因を検査員とその管理者が共有し，検査環境と見方の改善を図ることが必須である。
最近，著者らは簡単な道具立てで検査員とその管理者を現場指導したところ，即刻，目視検査改善に取り組む企業が現れてきた。2025 年9 月に行ったPVI2025（新潟）１）では，現場指導して半年ほどで，モデルラインでの検証を始めた企業2 社から，改善事例紹介の発表があり，感無量であった。このような取り組みの輪がさらに広がることを願い，目視検査の課題を組織としてどのように解決するかについて解説する。
中京大学 青木 公也
Why Learning from Humans Matters for Image Inspection in the AI Era: A Proposed Approach
Chukyo University Kimiya AOKI
キーワード: 画像検査，外観検査，目視検査，きずの気付き処理（KIZKI），AI（人工知能），良品モデル，暗黙知，形式知
はじめに
画像処理による外観検査の自動化は，いわゆる古くて新しい課題の一つである。近年では，AI 技術の発展によって課題解決のスピードが飛躍的に向上し，外観検査機器分野はかつてない活況を呈している。これに伴いこの領域にも，新規参入者が急増している。ただそれでも，外観検査の現場における真の自動化の困難性はまだまだ高い状況にある１）。AI 技術はこんなにも強力なのに，なぜ外観検査自動化の「詰めの一手」にならないのであろうか。
「人に学ぶ画像検査機械開発２）」と題して初めに本誌で解説を掲載していただいたのが2014 年1 月号であった。その後，2016 年6 月号では「続 人に学ぶ画像検査機械開発３）」，2018年7 月号では「人と共に成長する画像検査機械を目指して４）」，2023 年7 月号では「深化する：人に学ぶ画像検査機械開発５）」と題して，「人に学ぶ」という観点で画像検査機械のエンジニアリングについて試論を展開してきた。筆者の参画する研究グループでは長年にわたり，製造プロセスにも検査プロセスにも深く関与している熟練検査員の注意・集中意識６）や，人の視覚生理機構の根本的機能を実装する技術開発にこそ，外観検査自動化の技術的ブレイクスルーがあると主張してきた２），７）。つまり「人に学ぶこと」，「現場を知ること」の重要性を再確認することである。図1 ２）に画像検査機械開発の道程のイメージを示す。この図は前述した2014 年1 月号の図1 の再掲である。本稿では以上の視座に立ち，筆者の参画する研究グループおよび主宰する研究室において研究開発してきた三つの画像検査手法について，昨今のAI 外観検査との関係性と共に解説する。
愛知工業大学 塚田 敏彦
Extending Manufacturing Process Inspection Technology to the Agricultural Sector
Aichi Institute of Technology Toshihiko TSUKADA
キーワード: 画像処理，名古屋コーチン卵，外観評価，ニホンナシ，形状評価
はじめに
筆者は，およそ30 年間自動車メーカの研究所にて自動車生産に関する検査計測技術の研究開発に携わった後，現職の大学へ赴任し，縁あって農産物に関する画像計測の研究に携わっている。メーカ研究所では，自動車部品の外観目視検査の自動化に取り組み，現在主流となっている機械学習による検査ではなく，目視検査で判定基準の代用特性となる物理量を画像から抽出して良品を判定する“従来の”画像処理技術を用いた計測検査に取り組んでいた。本稿では，大学へ異動後に取り組んでいる，名古屋コーチン卵の外観評価１）－４）と日本梨の形状評価５）－７）に関する研究テーマを紹介し，筆者が感じた工業製品と農産品との関わり方の相違についての私見を述べさせていただきたい。
徳島大学 浮田 浩行
Image Data Set Project for Non-destructive and Visual Inspection
Tokushima University Hiroyuki UKIDA
キーワード: 非破壊検査，外観検査，画像データセット，画像処理，機械学習
はじめに
画像を用いた外観検査・非破壊検査は，画像処理の研究分野における実用的な研究テーマとして，古くから，様々な手法が検討されてきた。そして，近年では，カメラやコンピュータの低価格化・高性能化に伴い，大小様々なメーカ・企業において，研究開発部署だけでなく，実際の製造ラインに，画像を用いた検査装置が導入されている。
機械部品等を撮影した画像から，きず等を検出する処理として，従来の画像処理による手法では，ユーザが想定するきず等を検出するために適した特徴量を検討し，それを画像から抽出するための手法・アルゴリズムをいかに構成するかが重要な点であった。しかし，このような方法では，撮影環境や対象物が変わると対応できない場合が多く，検査手法を最初から検討し直すことが必要になるという問題がある。
一方，近年，非破壊検査・外観検査にも機械学習の技術が用いられている。機械学習を用いた検査手法においては，きず等の特徴量をシステム自身が学習することから，正常品と欠陥品の学習用画像データを準備すれば検査が可能になるという利点がある。一方，一般的な機械学習による手法では，十分な学習を行うためには，正常品，欠陥品とも，非常に多くの画像データを必要とする。しかし，工業製品においては，欠陥品が得られる場合が極端に少なく，学習を行うために十分なデータ数を確保することが難しいという問題がある。そのため，正常品の画像のみから，欠陥を検出する方法等も検討されているが，開発した手法を検証するためには，やはり，欠陥品の画像も必要となる。
このような点から，現在，機械学習での利用を目的とした画像データセットを収集したWeb サイト等が多く公開されている。しかし，非破壊検査・外観検査を対象とした画像データセットの公開サイトは少ない。また，公開されている画像データセットにおいては，撮影対象や撮影環境についての説明が少ないものもあり，画像の信頼性に問題がある場合もある。
そこで，（一社）日本非破壊検査協会 製造工程検査部門では，非破壊検査・外観検査に用いることができる画像データセットのサイトを構築・公開するプロジェクトを進めている１）− 10）。このプロジェクトでは，画像データセットに加え，それに関する詳細な情報も付加することで，画像データの信頼性を向上させることが可能になると考えている。また，画像データだけでなく，それらを用いた検査手法のデータベースも公開することで，企業や研究機関の双方にメリットのあるサイトを目指す。
以下，本稿では，2 章で，これまでの画像データセットの公開について述べる。3 章では，本プロジェクトで検討している画像データセットの特徴について示す。4 章では，具体的な画像データセットの収集方法や公開用サイトについて説明し，最後に5 章にて，まとめと今後の予定について述べる。
宅間 正則，原田 尚紀，齋藤 賢一，高橋 可昌，佐藤 知広，袴田 雅樹，森田 洸幸
Evaluation of the Influences of Vanadium Addition Amounts on the Fatigue Life of Low-alloy Cast Steel with AE Method（Application of Chaos Analysis）
Masanori TAKUMA, Naoki HARADA, Ken-ichi SAITOH, Yoshimasa TAKAHASHI, Tomohiro SATO, Masaki HAKAMADA and Hiroyuki MORITA
Abstract
It has been reported that the addition amount of Vanadium (V) is effective in improving the mechanical properties of cast steel, and that the number of Vanadium Carbide (VC) particles produced increases with that amount. In this study, the fatigue life of the specimens with different addition amounts were determined by fatigue tests, and whether it is possible to evaluate the influence of those amounts with regard to the life by using the chaotic characteristics (i.e., complexity, irregularity and instability due to correlation dimension Cd and Largest Lyapunov exponent LLe) of AE waves detected near the maximum stress amplitude where the crack initiation and propagation mainly occur was investigated. As the result, high correlations were found between the behaviors of both the wave characteristics and the life relative to the addition amounts, and it was indicated that the influence of those amounts on the life are able to be quantitatively evaluated by those characteristics.
Key Words: Acoustic Emission, Chaos analysis, Fatigue life, Low-alloy cast steel, Vanadium
緒言
鋳鋼は強度・耐摩耗性・耐熱性が要求される構造部材に使
用されている。高温強度や耐熱衝撃性および耐摩耗性などの機械的特性のさらなる向上にはわずかな添加量（0.3 wt％以下）で安定して数十μm 程度の微細な炭化物を生成し，結晶粒の粗大化を抑制するバナジウム（V）の添加が有効であると報告されている１）−４）。なお，生成される炭化バナジウム（VC）は炭化物の中で最も硬く（約2800 HV），添加量とともにVCの微粒子数の増加が報告されている５）。硬質微粒子にき裂の先端が到達すると，き裂は微粒子を迂回または貫通するなどの進展挙動をとり６）−９），疲労過程の各領域での複雑な進展挙動10）− 13）をさらに複雑にすることになる。そして，このような進展挙動は微粒子の数や分布状態によって不規則かつ不安定に発生する。また，微粒子の介在は疲労寿命などの機械的特性の向上につながるとも報告されている６）−９）。しかし，微粒子数などの違いがき裂の進展挙動に及ぼす影響と疲労寿命との関係について十分な知見が得られているとはいえない８），14）。
そこで本研究では，V の添加量に伴って析出されるVC の微粒子がき裂進展の複雑さ・不規則性・不安定性と疲労寿命に与える影響を評価するために，添加量の異なる低合金鋼鋳鋼の疲労寿命と疲労試験中に検出されるAE（Acoustic Emission）波の特徴の変化との関係を調べることにした。その際，AE 事象の「到達時間差から導かれる発生場所」「事象数や計数による発生頻度」「最大振幅値などによるエネルギー」「立上り時間や持続時間および周波数スペクトルなどによる構造や性質」を評価する従来のAE パラメータ15），16）でVC の微粒子によって生じるき裂の発生・進展の「空間的・時系列的な複雑さ・不規則性・不安定性の変化」を定量評価した報告を確認することはできなかった。一方，筆者らはAE 波の複雑さ・不規則性・不安定性の定量評価にカオス解析17），18）を適用し，その解析結果と疲労損傷状態などとの関係を示してカオス解析の有効性を報告してきた９），19）− 23）。このようなことから，V の添加量とともに析出するVC の影響による疲労過程でのき裂の進展挙動（複雑さ・不規則性・不安定性）によって放出される弾性波（AE 波）の特徴抽出にカオス解析を適用し，その特徴の疲労過程での変化と疲労寿命との関係について検討した結果を報告する。
