放射線透過試験（RT）におけるAI画像診断支援の高度適用とヒューマン・イン・ザ・ループの構築
放射線透過試験（RT：Radiographic Testing）は、溶接部や鋳造品の内部欠陥を非破壊で検出する極めて信頼性の高い手法である。しかし、従来のフィルム読影やデジタルラジオグラフィ（DR/CR）における像質計の選定、およびJIS Z 3104やJIS Z 3106に基づく欠陥等級判定は、検査員の熟練度に依存する割合が大きく、判定のバラツキ（ヒューマンエラー）や慢性的な検査員不足が現場の深刻な課題となっている。
近年、ディープラーニング（CNNやTransformer等）を応用したAI画像診断支援技術が急速に実用化されている。本稿では、RTの像質計選定と欠陥等級判定の基礎から、AI導入による自動化の限界、そして規格適合性を法制・品質保証面から完全に担保するための「ヒューマン・イン・ザ・ループ（Human-in-the-Loop）」の構築手法について、実務的かつ冶金学的な観点から詳述する。
1. 放射線透過試験（RT）の基礎と像質計選定の技術要件
1.1 像質計（Image Quality Indicator: IQI）の種類と選定基準
RTの感度管理および画質保証において、像質計の適切な選定は不可欠である。JIS Z 3301（放射線透過試験用像質計）に規定される像質計には、主に線型像質計と孔型像質計が存在する。
- 線型像質計（JIS/ISO）:
- 構造: 直径の異なる数本の細線（またはプラチナワイヤー）を並列に配置したもの。
- 適用: 主に薄板〜中厚板の鋼溶接部や配管継手。
- 識別基準: 規定された線のうち、何番目（細い方から数えて）までが透過写真上で識別できるかで像質を評価する。
- 孔型像質計（ASTM/ASME準拠）:
- 構造: 一定の厚さを持つ板に、厚さの1倍、2倍、4倍の直径を持つ孔（T, 2T, 4Tホール）があけられたもの。
- 適用: ASME Section Vに準拠する圧力容器等の高圧部材。
# 【実務上の選定マトリクス（JIS Z 3104 準拠例）】
母材厚さ（$t$）に応じた像質計の選定と、許容される最小識別線の関係を以下に示す。
| 母材厚さ $t$ (mm) | 像質計の公称番号（線型） | 最小識別線の直径 (mm) | 必須識別本数 |
|---|---|---|---|
| $t \le 5$ | 15 または 10 | 0.10 または 0.13 | 2本以上 |
| $5 < t \le 8$ | 12 または 10 | 0.13 または 0.16 | 2本以上 |
| $8 < t \le 12$ | 10 または 8 | 0.16 または 0.20 | 2本以上 |
| $12 < t \le 20$ | 8 または 6 | 0.20 または 0.25 | 2本以上 |
| $20 < t \le 35$ | 6 または 4 | 0.25 または 0.32 | 2本以上 |
※像質値（感度）は、単に「線が見えるか」だけでなく、フィルムの透過濃度（Density: $D$）が $1.5 \le D \le 4.0$（シングルビューの場合、JIS Z 3104規定）の範囲内にあることが前提となる。濃度が不足または過大な場合、コントラスト感度が著しく低下し、AI画像診断の精度にも致命的な悪影響を及ぼす。
2. 欠陥等級判定におけるJIS規格と冶金学的背景
2.1 欠陥の分類とJIS Z 3104に基づく等級判定
溶接部のRT判定では、検出された欠陥の形状・大きさ・分布に基づき、第1種（ブローホール等）、第2種（スラグ巻き込み等）、第3種（割れ・不完全溶け込み等）に分類され、1級〜4級（または不合格）に格付けされる。
- 第1種欠陥（球状・円筒状空洞）: ブローホール、ピットなど。
- *判定要素*: 欠陥の大きさ、個数、単位面積（10mm × 10mm、または規定の長さ）あたりの占有面積率。
- 第2種欠陥（細長い欠陥）: スラグ巻き込み、タングステン巻き込みなど。
- *判定要素*: 長さ、幅、および隣接する欠陥との間隔。
- 第3種欠陥（き裂様欠陥）: 割れ、ルート部の不完全溶け込み（IP）、不完全融合（IF）。
- *冶金学的リスク*: これらは応力集中係数が非常に高く、疲労破壊や応力腐食割れ（SCC）の起点となるため、JIS規格では「1級であっても一切許容されない（不合格）」とされることが多い。
2.2 従来の判定における課題
人間の目による読影では、以下のヒューマンファクターが精度を低下させる原因となる。
1. 眼精疲労と集中力の低下: 長時間の連続読影による見落とし。
2. 主観的判断のバラツキ: 検査員の経験値による、境界値（例：1級と2級の瀬戸際）における判定の揺れ。
3. オプティカル・イリュージョン（錯視）: 周囲の濃度勾配に惑わされ、微小なスラグやクラックの端部を見誤る現象。
3. RT画像診断への「AI画像診断支援」の導入メカニズム
上記課題を克服するため、DR（デジタルラジオグラフィ）やCRで得られたDICOM形式等のデジタル画像を対象に、AI（特にCNNベースのセグメンテーションモデル、例：U-Net派生モデル）を用いた欠陥自動検出・分類システムが導入されている。
3.1 AI画像解析のワークフロー
1. 前処理（Preprocessing）:
- コントラスト強調（CLAHE: Contrast Limited Adaptive Histogram Equalization）。
- 母材の厚さ変化やビート起伏に起因するバックグラウンド輝度ムラの除去（平滑化フィルタリング）。
2. ROI（関心領域）の抽出とセグメンテーション:
- AIが溶接部（ビート幅内）を自動認識し、その内部の輝度低下（スラグ・ブローホール）や高輝度線（クラック）をピクセル単位でセグメント化する。
3. 特徴量抽出と欠陥分類:
- 抽出された領域に対し、面積、長径、短径、アスペクト比、平均濃度差（母材とのコントラスト比）を算出し、JIS分類（第1種〜第3種）に紐付ける。
4. 仮等級の自動付与:
- JIS Z 3104のアルゴリズム（点数法や分布表）をプログラム化し、AIが暫定的な等級（1〜4級、または不良）を算出する。
3.2 AIの限界と技術的リスク（ブラックボックス問題）
AIは膨大な教師データから高精度に欠陥を検出するが、現場適用において以下の致命的な弱点（リスク）が存在する。
- 擬似欠陥（False Positive）の誤判定:
- 裏波溶接の過剰な凹凸、スパッタの付着、あるいはフィルム・センサーの傷や現像ムラ（アーチファクト）を、AIが「第2種スラグ」や「クラック」と誤認するケースが多発する。
- 未知の欠陥（Out-of-Distribution）への脆弱性:
- 学習データに存在しない特異な形状の割れや、複合欠陥（スラグの中に微小クラックが内包されている状態など）に対しては、判定精度が著しく低下する。
- 規格トレーサビリティの欠如:
- 「なぜその等級と判定したか」の根拠（論理的因果関係）をAI自身が説明できない（説明可能なAI: XAIの未成熟）。
4. 規格適合性を担保する「ヒューマン・イン・ザ・ループ（Human-in-the-Loop）」の構築
ISO/IEC 17025（試験所及び校正機関の能力に関する一般要求事項）や各種JIS規格において、最終的な合否判定の責任は常に「有資格の検査員」が負う必要がある。したがって、AIを「完全自動判定」として使うのではなく、「人間による最終確認（Human-in-the-Loop）」を組み込んだハイブリッド運用体制が必須となる。
4.1 ヒューマン・イン・ザ・ループの具体的プロセス設計
[ RT撮影 (DR/CR) ]
↓
[ 画像前処理 & AI自動スキャン ]
↓
AI判定結果
├── 🟢 健全（欠陥なし / 1級相当） → [ 人間によるスポットチェック (サンプリング確認) ] → 承認
└── 🔴 欠陥検出あり（2〜4級 / 不合格候補） → [ 人間の詳細読影（ダブルチェック） ] → 最終判定
1. トリアージ（Triage）としてのAI活用:
- AIは「スクリーニング（篩い分け）」ツールとして機能させる。
- AIが「完全な健全部（1級）」と判断した領域は、人間の検査員が高速でサンプリング確認（全体の10%程度）を行うことで、読影工数を劇的に削減する。
- AIが「欠陥あり」または「境界値」と判定した領域は、高精度ディスプレイを用いた人間の詳細読影に必ず回す。
2. ダブルチェック（人間 ＋ AI）の体制要件:
- AIが提示した「欠陥候補のヒートマップ（Bounding Box）」と「AIによるJIS分類・等級案」を、検査員が画面上で視覚的にオーバーレイ表示させて確認する。
- 検査員は、それが「真の溶接欠陥」であるか、あるいは「ビート起伏・アーチファクトによる誤検知」であるかを冶金学的・幾何学的に判断し、必要に応じてAIの判定を上書き（Overrule）する。
3. 不一致データのフィードバックループ（Continuous Learning）:
- 人間がAIの判定を修正（修正ログ）したデータは、定期的に再学習用データセット（MLOpsパイプライン）に組み込まれ、AIモデルの精度向上のためのファインチューニングに利用される。これにより、現場固有の溶接施工法（SMAW, GMAW, SAW等）のクセに合わせたAIのカスタマイズが進行する。
5. 品質保証・トレーサビリティ管理の実務要件
AI支援型RT判定をクオリティ・コントロール（QC）の一環として正式に運用するためには、以下の品質管理システムを構築・維持しなければならない。
1. AIモデルのバリデーション（妥当性確認）:
- 導入時および定期的に、既知の標準テストフィルム（または検証用デジタルデータ）を用い、AIの検出率（Pod: Probability of Detection）と誤報率（False Alarm Rate）を評価・記録する。この記録はISO 9001に基づく品質監査の証跡となる。
2. 監査証跡（Audit Trail）の完全保存:
- どの画像に対し、どのAIバージョン（モデルハッシュ値）が適用され、AIがどのような推論結果を出し、最終的にどの人間のどの有資格者（非破壊試験技術者レベル2またはレベル3）がどのような判断を下して承認したか、その全プロセスを改ざん不可能な電子署名付きログとして保存する。
3. 資格要件との整合性:
- JIS Z 2305（非破壊試験技術者の資格及び認証）に基づく有資格者が、AIの提示したデータを鵜呑みにせず、自らの責任において判定を下していることを示す手順書（SOP: Standard Operating Procedure）を社内規定として制定する。
このように、RTにおけるAI画像診断支援は、検査の効率化と見落とし防止に多大な貢献をする一方で、規格の要求事項を遵守するためには、人間の検査員が「最終防衛線」として機能する堅牢なヒューマン・イン・ザ・ループ体制が不可欠である。