超音波探傷データ解析におけるAI支援技術の導入と判定の客観性

超音波探傷データ解析におけるAI支援技術の導入と判定の客観性

超音波探傷データ解析におけるAI支援技術の導入と判定の客観性

1. 基礎知識・原理：UT/PAUT波形判定の現状と課題

溶接部非破壊検査における人的要因（ヒューマンエラー）のメカニズム

溶接構造物の品質保証において、超音波探傷試験（UT: Ultrasonic Testing）およびフェーズドアレイ超音波探傷試験（PAUT: Phased Array Ultrasonic Testing）は、内部欠陥を検出する主力の手法である。しかし、従来のAスキャン、Bスキャン、Sスキャン（セクタースキャン）の波形解析は、検査員の経験、技量、およびその日の心身の状態に強く依存するという本質的な課題を抱えている。

感度設定のバラツキ: JIS Z 3060（鋼溶接部の超音波探傷試験方法）に定められたDAC（Distance-Amplitude Curve）曲線やAVG図表を用いた感度調整において、ゲイン調整の微差がエコー高さの評価に直結する。
波形識別の曖昧さ: ブローホールなどの体積的欠陥からの連続的な反射波と、ルート割れや融合不良などの平面状欠陥（クリティカル欠陥）からの鋭いエコー波形の判別は、ノイズや幾何学的反射（余盛、ルート部、裏波）の存在により困難を極める。
疲労と集中力の限界: 長時間の探傷作業における見落とし（Type II エラー：偽陰性）および、過剰評価による手直し（Type I エラー：偽陽性）の発生率は、JIS Z 2305（非破壊試験技術者の資格及び認証）に基づくレベル2・レベル3の有資格者であってもゼロにはできない。

PAUT（フェーズドアレイ）におけるデータ量爆発のジレンマ

PAUTの導入により、全焦点法（TFM: Total Focusing Method）やPWI（Plane Wave Imaging）を用いた高解像度イメージングが可能となった。これにより空間分解能は飛躍的に向上したが、1検査箇所あたりのデータ容量は従来のUTと比較して数百倍に達する。
この「ビッグデータ化」した超音波波形・画像データを、限られた検査時間内で人間がすべて網羅的に、かつ均質な基準で解析することは物理的に不可能に近づいており、解析プロセスの自動化・高度化が急務となっている。

2. 現場での実践・トラブル対策：AI支援技術による波形パターン認識

機械学習・深層学習（DL）による波形分類のメカニズム

超音波探傷データ解析におけるAI支援システムは、主にConvolutional Neural Networks（CNN: 畳み込みニューラルネットワーク）や、時系列波形処理に適したTransformerアーキテクチャをベースに構築される。

1. 特徴量抽出: Aスキャン波形の周波数スペクトル（FFT処理後）およびPAUTの2次元/3次元再構成画像から、エコーの立ち上がり勾配、減衰特性、周波数成分のシフトなどの微細な特徴を抽出する。
2. セマンティックセグメンテーション: 欠陥領域と母材ノイズ、幾何学的反射源をピクセル単位で分離・着色し、検査員に視覚的なアラートを提示する。
3. 確率スコアリング: 検出された指示に対して「割れ（Crack）: 94.2%」「スラッグ巻き込み（Slag Inclusion）: 3.1%」「溶け込み不良（Lack of Fusion）: 2.5%」といった確率をリアルタイムで出力する。

実現場におけるAI支援導入のメリットと具体的効果

評価項目	従来の手動解析（人間依存）	AI支援型解析（ヒューマン・イン・ザ・ループ）
判定の再現性（ロバスト性）	検査員間で最大15〜30%の判定差異が発生	同一データに対する判定一致率 98%以上
解析速度（スループット）	1ジョイントあたり平均15〜30分	1ジョイントあたり数秒〜数十秒（AI自動一次スクリーニング）
見落としリスク	疲労による検出漏れリスクあり	ノイズ耐性を高めた学習モデルにより極小化
トレーサビリティ	解析根拠が個人の調書に依存	AIのヒートマップ（Grad-CAM等）による根拠の可視化

トラブルシューティング：AI導入時の落とし穴と対策

課題1: 未学習欠陥（Out-of-Distribution）の誤判定
*現象*: 極めて特殊な形状の応力腐食割れ（SCC）や、規格外の溶接欠陥に対して、AIが既存のデータム（スラッグ等）に無理やり分類してしまう。
*対策*: 不確実性推定（Uncertainty Estimation）アルゴリズムを実装し、AIの確信度が所定の閾値（例: 85%未満）を下回った場合、「要シニアエンジニア再確認フラグ」を自動発報する仕組みを構築する。
課題2: 現場環境ノイズによる誤検知
*現象*: 溶接現場特有の電磁誘導ノイズや、粗粒材（オーステナイト系ステンレス鋼や鋳鋼など）特有のバックグラウンドノイズを欠陥エコーと誤認する。
*対策*: 探傷器のゲイン設定、カップリング状態のモニタリングデータ、および材質特性データをAIの入力層にメタデータとして同時フュージョンさせる。

3. JIS/ISO規格・数値データ・評価方法の整合性

現行規格（JIS / ISO）とAI判定の法的・技術的ギャップ

現在、日本の溶接構造物に関する主要な非破壊検査規格（JIS Z 3060, JIS Z 3065, JIS Z 3050など）およびISO規格（ISO 17640, ISO 11666など）は、人間（レベル2/3技術者）が波形を目視し、許容基準（Acceptance Criteria）と照合することを前提に記述されている。

「検査員」の定義の壁: 多くの規格において、「合否判定は認証された非破壊試験技術者が行うこと」と明記されており、AIを「独立した判定者」として直接認定する条文は現時点のJIS/ISOには存在しない。
したがって、実務上の位置づけは「AI支援（AI-Assisted）」または「AIスクリーニング（AI-Screened）」としての運用が必須となる。最終的な署名・捺印権限は、あくまで有資格の検査技術者が保持する体制をとる必要がある。

規格における評価基準（例：JIS Z 3060に基づく許容値）とAIの親和性

JIS Z 3060では、欠陥の指示長さやエコー高さに応じて、次のような等級分類が行われる。

1類（最高品質）: 許容される欠陥の大きさ・高さが極めて厳しい。微小なエコーの連続性を正確に評価する必要がある。
AIによる定量化の優位性: 人間が目視でエコーの高さをdB単位で正確に読み取り、DAC曲線からの偏差を計算する作業には、読み取り誤差（±1〜2dB）が伴う。AIはピクセル単位の輝度情報を直接処理するため、振幅評価の精度を0.1dBオーダーで担保できる。

ISO 22825（オーステナイト系鋼及びニッケル合金の溶接部超音波探傷 – 超音波フェーズドアレイ法の手順）への適用

PAUT特有の複雑なビームフォーミングデータに対し、ISO 22825が要求するカバレッジ確認および感度検証に対し、AI支援解析を組み込む場合のバリデーション手順は以下の通り。

1. AIモデルの性能検証（Performance Demonstration）:

既知の人工欠陥（ノッチ、孔）を内包するテストブロックを用い、PD（Probability of Detection：検出確率）が 95%以上、PFA（Probability of False Alarm：誤報確率）が 5%以下であることを実証する。

2. アノテーションの標準化:

学習データの正解ラベル付与（Ground Truth）は、破壊試験（マクロ試験・断面組織観察）の結果と突き合わせた高信頼性データのみを使用する。

4. 品質保証体制におけるAI解析データのトレーサビリティ

デジタルツインと非破壊検査データの統合

品質管理（QA/QC）の高度化に伴い、溶接施工記録（WPS: Welding Procedure Specification）、溶接施工管理データ（入熱量、層間温度）、そして非破壊検査のAI解析結果を一つのプラットフォーム上で一元管理する「溶接デジタルツイン」の構築が進んでいる。

データ構造の標準化（DICONDE規格の活用）:
ASTM E2339で規定される非破壊検査用デジタル画像・波形データ形式（DICONDE: Digital Imaging and Communication in Nondestructive Evaluation）に、AIの推論結果（Bounding Box、欠陥種別確率、セグメンテーションマスク）をメタデータとして埋め込む。
これにより、何十年経過後も「どのAIモデルのどのバージョンが、どの波形データに対してどのような根拠で判定を下したか」を完全に追跡可能（Audit Trail）にする。

施工管理エンジニアが実践すべき導入ロードマップ

1. フェーズ1：デュアルランニング（並行運用）期間の設置

従来の人間による目視判定と、AI支援システムによる判定を全件で並行実施し、不一致事例の根本原因分析（RCA: Root Cause Analysis）を徹底する。

2. フェーズ2：エッジAIによるリアルタイムフィードバック

溶接施工現場（自動溶接ロボット近傍や、検査ステージ）にエッジAIデバイスを配置し、UT/PAUT探傷直後に即座に「合・否・要再確認」の一次判定を下し、溶接プロセスのフィードバックループを短縮する。

3. フェーズ3：第三者認証機関との合意形成

発注者や指定検査機関に対し、AI支援システムのバリデーションレポートを提出し、検査計画書（Inspection Test Plan: ITP）に「AI支援解析の採用」を正式に組み込む。