この記事とリポジトリの実装・整備には、Anthropic の Claude Code の力を借りて作成しました。
はじめに
銅の展伸材などの金属表面外観検査でVGG16/19を使っていましたが、以下の課題がありました。
- GradCAMがうまく機能せず「なぜその結果か」が分からない
- VGGは古く、最新アーキテクチャを検討したい
本記事では2026年3月発表の最新ベンチマーク研究をもとに、金属欠陥分類に最適なモデルを選定し、PyTorchによる実装を紹介します。
対象読者・環境
- 工業用外観検査でCNNを活用している方
- XAI（説明可能AI）の導入を検討している方
- GPU: RTX 4090 / グレースケール256×256 / 約20クラス / 各2000枚
最新ベンチマーク結果（金属欠陥専用）
2026年3月にApplied Sciences誌に掲載された論文1が、金属表面欠陥分類に特化した初の大規模ベンチマークを公開しました。
10種類のアーキテクチャを5つのデータセット（NEU-DET・X-SDD・KolektorSDD2・DAGM・MTDD）で統一条件評価しています。
| # | モデル | 平均F1スコア | 推論速度 | 外観検査適性 |
|---|---|---|---|---|
| 🥇 | Swin Transformer | 90.8% | ~9.5ms | ◎ 精度最優先 |
| 🥈 | CoAtNet | 85.5% | 中速 | ◎ バランス最良 |
| 🥉 | ResNet50 | 高い | 中速 | ○ |
| — | MobileNetV2 | 81~84% | ~4ms | △ エッジ向け |
| ⚠️ | EfficientNetV2 | 41.9% | 遅い | ✗ |
⚠️ 重要：EfficientNetV2は金属欠陥タスクに不向き
ImageNetで強力なEfficientNetV2が、金属欠陥分類では41.9%と大きく低迷しました。
原因は以下の通りです。
- 224×224への積極的なリサイズ → 微細欠陥情報が欠落
- ImageNet分布と産業用テクスチャの分布差が大きい
汎用ベンチマークの結果をそのままドメイン特化タスクに転用できないことが実証されました。
なぜVGGのGradCAMはうまくいかないのか
VGG19の構造上の問題:
Conv → ... → Flatten → FC(4096) → FC(4096) → FC(num_classes)
↑
ここで空間情報が崩壊 → GradCAMが粗くなる
Swin Transformer（Attention Mapが鮮明）:
PatchEmbed → Stage1〜4（Attention保持） → GAP → 出力
VGGはFC層が巨大で空間情報が失われやすく、GradCAMの可視化が粗くなります。
Swin TransformerはAttention Mapが自然に可視化できるため、「どこを見て判断したか」が直感的に分かります。
実装
コードは以下のGitHubリポジトリで公開しています。
👉 https://github.com/Terryman980210/metal-defect-classifier
セットアップ
git clone https://github.com/YOUR_USERNAME/metal-defect-classifier.git
cd metal-defect-classifier
pip install -r requirements.txt
データセット構成
your_dataset/
├── train/
│ ├── class_01/ *.png (グレースケール)
│ ├── class_02/
│ └── ...
├── val/
└── test/
グレースケール→転移学習の工夫
グレースケール画像をそのまま使うのではなく、3チャネルに複製することでImageNet事前学習の恩恵を受けます。
# dataset.py より抜粋
transforms.Grayscale(num_output_channels=3), # 1ch→3ch複製
transforms.Resize((256, 256)),
transforms.RandomHorizontalFlip(),
transforms.RandomVerticalFlip(),
transforms.RandomRotation(15),
transforms.ColorJitter(brightness=0.2, contrast=0.2),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]),
モデルの定義（timmを使用）
import timm
# Swin Transformer Base（256×256専用設定）
model = timm.create_model(
'swin_base_patch4_window8_256',
pretrained=True,
num_classes=20, # あなたのクラス数
in_chans=3,
)
# CoAtNet（CNN+Transformerハイブリッド）
model = timm.create_model(
'coatnet_2_rw_224',
pretrained=True,
num_classes=20,
)
# ConvNeXt V2（GradCAM++との相性良好）
model = timm.create_model(
'convnextv2_base',
pretrained=True,
num_classes=20,
)
学習の実行
# Swin Transformerで学習（推奨）
python src/train.py \
--data_dir /path/to/your/dataset \
--model swin_base \
--num_classes 20 \
--img_size 256 \
--batch_size 32 \
--epochs 100 \
--lr 1e-4 \
--amp # RTX4090でAMP有効化
学習の主なポイントです。
- AdamW + CosineAnnealingLR でTransformerを安定学習
- label_smoothing=0.1 で過学習を抑制
- WeightedRandomSampler でクラス不均衡に対応
- Early Stopping（patience=15） で最良モデルを自動保存
- AMP（自動混合精度） でRTX4090のTensorCoreを活用
XAI可視化
# Swin Transformer → Attention Map
bash scripts/run_visualize.sh swin_base /path/to/image.png
# ConvNeXt V2 / CoAtNet → GradCAM++
bash scripts/run_visualize.sh convnextv2_base /path/to/image.png
Swin TransformerのAttention Mapは、VGGのGradCAMと異なり、欠陥部位に明確に注意が集中する鮮明な可視化が得られます。
評価・混同行列
bash scripts/run_eval.sh /path/to/dataset swin_base
出力されるファイルです。
| ファイル | 内容 |
|---|---|
confusion_matrix.png |
正規化混同行列 |
report.txt |
クラスごとPrecision/Recall/F1 |
history.png |
学習曲線（Loss・Accuracy） |
results.json |
数値サマリー |
256×256が有利な理由
ベンチマーク論文では全モデルを224×224に統一リサイズしており、これがEfficientNetV2低性能の一因とされています。
256×256はその問題を回避でき、より微細な欠陥情報を保持できます。
加えて、swin_base_patch4_window8_256はwindow_size=8で256に最適化されており、224→256の解像度差の影響を最小限に抑えられます。
モデル比較まとめ
| 比較項目 | VGG16/19 | Swin-Base | CoAtNet-2 | ConvNeXt V2-Base |
|---|---|---|---|---|
| 金属欠陥F1 | — | 90.8% | 85.5% | 高い |
| パラメータ数 | 138M | 88M | 75M | 89M |
| GradCAM品質 | ✗ 粗い | — | ○ | ◎ |
| Attention可視化 | ✗ | ◎ | ○ | △ |
| グレースケール対応 | ○ | ○ | ○ | ○ |
| 256×256対応 | ○ | ◎ native | ○ | ○ |
移行ロードマップ
Step 1【今すぐ】Swin Transformer-Baseで再学習
→ VGGの精度を維持・向上 + Attention Mapで説明可能性を確保
Step 2【余裕があれば】CoAtNetと比較実験
→ 推論速度・精度のトレードオフを確認
Step 3【発展】ConvNeXt V2-Base + GradCAM++
→ 既存のGradCAMワークフローを継続したい場合
まとめ
- VGGのGradCAMが粗い原因はFC層による空間情報の崩壊
- 金属欠陥専用ベンチマークでSwin TransformerとCoAtNetが最高性能
- EfficientNetV2は汎用タスクで強力でも金属欠陥分類には不向き（41.9%）
- 256×256グレースケール画像は→3ch複製で転移学習を最大活用
- Swin TransformerのAttention Mapは説明可能性の問題を自然に解決
コードはGitHubで公開しています：
👉 https://github.com/Terryman980210/metal-defect-classifier
参考文献
- Liu et al., "Swin Transformer: Hierarchical Vision Transformer using Shifted Windows", ICCV 2021. https://arxiv.org/abs/2103.14030
- Dai et al., "CoAtNet: Marrying Convolution and Attention for All Data Sizes", NeurIPS 2021. https://arxiv.org/abs/2106.04803
- Woo et al., "ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders", CVPR 2023. https://arxiv.org/abs/2301.00808
-
Silva et al., "Cross-Dataset Benchmarking of Deep Learning Models for Surface Defect Classification in Metal Parts", Applied Sciences, 2026. https://doi.org/10.3390/app16063022 ↩