気孔測定におけるCometのAIソリューション
2023年4月5日 | Anton du Plessis、Muofhe Tshibalanganda
ChatGPTやOpenAI、そして市場に登場している数々の優れたAIツールについては、皆様もご存じのことでしょう。しかし、CTデータの評価に人工知能（AI）を活用したことはおありでしょうか？画像解析にAIが使えることをご存知なかったですか？ぜひ続きをご覧ください。
本記事では、人工知能（AI）とディープラーニング（DL）の仕組みを解説し、従来の手法と比較してこの技術がいかに優れているかを示します。また、Dragonflyソフトウェアを使用して積層造形（AM）のベンチマーク部品の気孔率を分析し、新しいディープラーニングAI法と従来の閾値処理法を直接比較します。
課題
すべての製造部品には少なからず気孔が存在し、積層造形の場合は特に、こうした気孔が極めて小さく検出が困難である場合があります。CTはこれらの気孔のイメージングに非常に有用ですが、そのセグメンテーションと分析には常に課題が伴います。多くのアルゴリズムを利用可能ですが、ほとんどの手法は何らかの形で人為的介入を必要とします。通常、オペレータは、気孔の暗い領域が選択され高密度な材料部分は選択されないよう、閾値を手動で設定する必要があります。このプロセスは、気孔が画素サイズに対して小さい場合や、画像コントラストが最適ではない場合に困難となり、セグメンテーションが不正確になったり、オペレータによって結果が異なったりする要因になります。事前学習済みのディープラーニングモデルを使用することで、こうした固有の人為的バイアスを排除すると同時に、人間の介入なしでモデルをマクロの一部として呼び出すことができるため、自動化が可能になります。
この実証実験で使用したベンチマーク部品は、Fraunhofer IWSにて、AlSi10Mgを用いたレーザー粉末床溶融結合（L-PBF）方式の積層造形により作製されました。これは、さまざまな寸法や配向を持つ微細な特徴形状や、複雑な設計の内部チャネルの造形性を調査することを目的とした、40 x 40 x 30 mmのベンチマーク設計品です。CTスキャンは、Comet Yxlon FF35 CTシステムを使用し、200 kV、200 µA、解像度35 µMの条件で実施しました。再構成されたデータをDragonflyに読み込み、基本的な可視化ツールを使用して部品とその内部の「オープン」チャネルを表示しています。
図1 + 2：複雑なジオメトリと内部チャネルを持つ積層造形ベンチマーク部品のCT表面ビュー（左）と内部チャネル（右）
気孔の識別と測定
CTスキャンでは部品内部の詳細を多く確認できます。この場合、以下の図に示すように、(A) AMプロセスに起因する意図しない気孔、(B) 設計された内部チャネル、(C) 未融解の粉末を含む内部チャネルを容易に識別できます。
図3：残存粉末を含まない状態および含む状態の気孔とチャネルを示す断面CT画像
本研究では、製造プロセス中に形成される気孔（A）の特性評価に焦点を当てています。手動の閾値処理法とディープラーニング法を直接比較するため、分析対象として10個 関心領域（ROI）を選定しました。そのうちの1つのROIを下の画像に示します。
図4 + 5：気孔分析のサブセットとしてのROIの選定
自動大津の閾値処理（Otsu法）では、気孔が小さすぎかつ少なすぎて自動閾値処理が機能しないため、各ROIに対して手動の閾値処理を適用します。大津の閾値処理が失敗した例と手動で閾値を調整した例の断面画像を下の図に示します。
*大津の自動画像閾値処理法（大津展之氏にちなむ）
図6 + 7：従来のセグメンテーションアプローチ：気孔が非常に小さく少ないためROI内の大津の閾値処理が正しく機能しない状態（左）、手動で調整した閾値（右）
手動の閾値処理では、オペレータに起因する固有のバイアスや誤差が発生し、気孔が小さくなるほど、あるいはデータにノイズが多いほどその影響が顕著になります。実証として、複数の異なるオペレータによって10回の測定を繰り返し、各ROIにおける気孔率（%）の値に基づく手動定量化の結果を以下に示します。
図8：同じデータおよび同じ10個のROIに対し、異なる作業者が報告した気孔率のばらつき
AI / ディープラーニングモデルを適用することで、人間によるバイアスが排除されます。DragonflyソフトウェアはそのAIツールで広く知られており、このケースでは、アディティブマニュファクチャリング（積層造形）の気孔率に関する事前トレーニング済みモデルをそのまま使用しています。このモデルは、一般的な実験室用CT画像データに見られる大半のアディティブマニュファクチャリングの気孔タイプを網羅する、50以上のデータセットで事前にトレーニングされています。このモデルは、ユーザーがトレーニングデータを追加して、関心のある特定の画像により適合させられるように設計されています。しかし、このケースでは追加のトレーニングなしで正常に使用されています。サンプル全体に対するモデルの適用結果を以下に示します。
図9：ベンチマーク用造形品全体における気孔のディープラーニングセグメンテーションと解析
よく挙がる疑問の一つに、ディープラーニングモデルの再現性はどの程度かという点があります。このケースでは、同じモデルを異なる作業者が適用し、さらに同じ作業者が複数回適用しました。結果は、すべてのケースで完全に一致しました。偏差は一切なく、分類されたボクセル数は毎回同一であり、エラーは発生していません。
図10：5名のユーザーが10個のROIに対して実施した気孔のディープラーニング解析
まとめ
アディティブマニュファクチャリングによるベンチマーク部品の気孔率を解析し、Dragonflyソフトウェアのディープラーニングモデルを使用して気孔のセグメンテーションと定量化を行いました。これを、ヒューマンエラーを伴う従来のの手動しきい値処理アプローチと比較しました。ディープラーニング手法はユーザーエラーを排除し、この困難な課題における信頼性を向上させ、解析の自動化も可能にします。ここで使用されたモデルは、深さ5のいわゆるU-net**であり、50を超えるデータセットで事前にトレーニングされています。ここではそのまま使用されており（Dragonflyに付属）、より多様なデータセットに対してさらに頑健性を高め、例えばよりノイズの多いデータにも対応できるように追加トレーニングを行うことも可能です。
**U-net：迅速かつ高精度な画像セグメンテーションを実現する人気の畳み込みネットワークアーキテクチャであり、ディープラーニングにおける数学的モデル
最新の3件のニュース
テクノロジースポットライト：連続回転とAIノイズ除去を備えた生産速度対応3D X線検査
2026年10月29日 | Hao-Che Chien、Chien-Yu Kuo
ハードウェアとソフトウェアを組み合わせたアクセラレーテッド・ワークフローにより、高品質なTSV検査を生産ラインへどのように近づけるか。
詳細を読むガラスの向こう側を見る：アドバンストパッケージング向けTGV（ガラス貫通電極）のX線検査
2026年6月22日 | Dr. Daniel Stickler
ガラスは、アドバンスト半導体パッケージングの基板材料としてますます注目を集めています。その寸法安定性と電気的特性により、大面積パネルや高密度配線構造の興味深いベースとなります。しかし、TGV（ガラス貫通電極）を用いてガラス内に電気接続を配線する場合、新たな検査の課題が生じます。関連する欠陥の多くは、もはや表面からは見えないのです。 Photomask Japan 2026において、当社はガラス基板およびTGV構造の最初のイメージング事例を発表しました。この結果は、X線イメージングがエッチングされたガラスビアやメタライズされたTGV内の欠陥に対する非破壊的なアクセスをどのように提供できるか、そして傾斜撮影、コンピュータ断層ラミノグラフィ、検出器の性能、AI支援解析がなぜ重要であるかを示しています。
詳細を読むCTを使用してシュレスヴィヒ＝ホルシュタイン州のドゥーヴェンゼー湿原で新たな発見を掘り起こす
2026年6月8日
今年初め、当社はフラウンホーファー個別医療技術・工学研究機構（Fraunhofer IMTE）および Leibniz Centre for Archaeology（LEIZA）と共同で、北ドイツ最古の墓地として知られるシュレスヴィヒ＝ホルシュタイン州のドゥーヴェンゼー湿原で出土したオーロックス（原牛）の頭蓋骨の中にあったユニークな発見物の調査に取り組みました。
詳細を読む