レーザー貫通溶接は産業製造における重要なプロセスであり、その溶接品質は溶接過程中の溶け込み状態の安定性と最終的なビード形状に大きく依存する。溶け込み状態と溶接断面形状を正確に評価することは、溶接品質のインライン制御を実現する上で極めて重要である。2026年6月24日にarXivへ投稿された論文「A multi-task spatiotemporal deep neural network for predicting penetration depth and morphology in laser welding」（arXiv:2606.26260）は、コンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）の学際領域に属し、Sen Li氏ら5名の研究者によって執筆された。本研究は、溶け込み状態、溶け込み深さ、溶接ビード形状を同時に高精度で予測できる革新的なマルチタスク深層学習モデルを提案している。
監視手法の面では、研究チームが構築したプラットフォームは相補型金属酸化膜半導体（CMOS）カメラに依存し、レーザー溶接过程中に溶融池画像をリアルタイムで取得する。溶接領域の上部から撮影されたこれらの溶融池画像には豊富な動的情報が含まれており、溶接状態を判断する重要な根拠となる。単一の画像フレームや単一タスクに依存する従来手法とは異なり、このモデルは上部溶融池画像から抽出された時空間特徴と溶接プロセスパラメータを融合し、複数の予測タスクを同時に処理できる深層学習フレームワークを構築している。このマルチタスク設計により、モデルは特徴表現を共有でき、全体的な予測効率と一貫性が向上する。
モデルアーキテクチャでは、このフレームワークは畳み込みニューラルネットワーク（CNN）と状態空間モデル（state space models）を組み合わせている。畳み込みニューラルネットワークは画像から局所的な空間特徴を抽出するのに優れ、状態空間モデルは時系列依存関係をより効率的にモデル化するのに役立つ。この組み合わせにより、時空間情報をより効果的に抽出・処理できる。論文は、この構成が特徴表現能力を確保しつつ計算効率も向上させ、リアルタイムまたは準リアルタイムのインライン品質監視の技術的基盤を提供すると指摘している。さらに研究は、開発モデルの堅牢性と汎化能力を強化することを目的とした信頼性の高いデータセット構築方法も提案しており、異なる溶接条件下でもモデルが安定した性能を維持できるようにしている。
実験検証では、研究チームはテストセット上で提案モデルを評価した。結果によると、溶け込み状態の予測精度は99.35%に達し、溶け込み深さの予測誤差は1.79ミリメートル、溶接断面の再構成精度は95.65%であった。これらの指標は、モデルが複数の関連タスクで高い精度を達成していることを示しており、特に溶け込み状態の判別において顕著な性能を発揮している。溶接断面再構成の高い精度は、モデルが溶接部の幾何学的形状を良好に復元できることも示しており、溶接品質とプロセスパラメータの関係を理解する上で参考価値がある。
応用の観点から見ると、本研究はレーザー貫通溶接システムにおけるインライン品質制御戦略に新たな知見と方法論を提供している。マルチタスク学習と時空間特徴モデリングを組み合わせることで、研究者らは溶融池画像とプロセスパラメータを用いた総合的な予測の実現可能性を示した。今後の研究では、実際の生産環境におけるモデルの展開能力の更なる最適化や、より多様な溶接シナリオへの適応性の探求が進められる可能性がある。総じて、この研究は溶接品質のオンライン監視とインテリジェント制御の方向性において有意義な一歩を踏み出しており、その方法論は時空間情報を扱う他のマルチタスク産業予測問題にも示唆を与える可能性がある。