IoT強化CNNによる付加製造のラベル付きクラック検出：Industry 4.0向けの画像アノテーション

要旨: 本論文は、畳み込みニューラルネットワーク（CNN）を用いた加法製造（AM）表面の自動クラック検出のための、IoT強化型ディープラーニングフレームワークを提示する。IoT対応のリアルタイム監視、高解像度イメージング、エッジコンピューティングを統合することで、本システムは連続的なインサイチュ（その場）での欠陥検出と分類を可能にする。リアルタイムのデータ取得により、即時にCNNベースの解析を行うことができ、AMの品質管理において精度と効率の両方を向上させる。このフレームワークは教師あり学習および半教師あり学習を支援し、大規模でラベル付けが疎なデータセットに対して頑健な性能を実現する。アノテーションにはLabelImg、前処理にはOpenCVを使用することで、14,982枚の画像に対し99.54%の精度を達成し、適合率96%、再現率98%、F1スコア97%を得た。データセットのバランシングと拡張（augmentation）は汎化性能を大幅に改善し、精度を32%から99%へと引き上げる。検出にとどまらず、本フレームワークはAMプロセスパラメータ、欠陥の形成、表面トポロジーの間の関連性を確立し、予測分析および欠陥の低減を支援する。Industry 4.0に整合して、本システムはデジタルツイン（DT）技術を組み込み、リアルタイムなプロセスシミュレーション、予知保全、適応的制御を実現する。主な貢献は、エッジデバイス（Raspberry Pi 4B）を用いたIoTベースの監視システム、モデル量子化とバッチ処理を最適化したCNNにより推論遅延を47%削減すること、ならびに5G接続によるMQTTベースの低遅延データストリーミングシステムで送信オーバーヘッドを35%低減することにある。DTの統合により、予測的な欠陥解析とAMパラメータの動的な調整も可能になる。本研究は、スケーラブルで高精度かつ低遅延なフレームワークを提供することで、インテリジェントなAM品質管理を前進させる。今後の方向性としては、多様なモダリティのデータ融合、ハイブリッドアーキテクチャ、AIによる欠陥予防のための強化されたデジタルツインシミュレーションが挙げられる。