鋼材製造業における品質管理では、表面欠陥の自動検査が重要な課題となっています。しかし、欠陥データのラベル付けは時間と費用がかかる一方で、ラベルなしの表面画像は豊富に存在するという課題があります。この研究は、このような制約条件下で機械学習モデルを効果的に構築するために、自己教師あり学習の手法を採用しています。 研究チームはTransformerベースのマスク付きオートエンコーダ（Masked Autoencoder）を活用し、ラベルなしでも鋼材表面欠陥の有用な特徴表現を学習できるアプローチを提案しました。このモデルの事前学習段階では、入力画像のパッチの75%をランダムにマスク（隠す）し、残された25%の可視領域のみから、マスクされた領域を再構成するよう訓練されます。このプロセスを通じて、モデルは欠陥の特性をより深く理解します。エンコーダの訓練では、補助的な欠陥位置特定目標も同時に用いられており、これは訓練シグナルとしてのみ機能し、実際の検出器としては評価されません。 その結果、デコーダは構造的類似度スコア0.92と平均二乗誤差0.47を達成しました。事前訓練されたエンコーダから抽出した特徴は、UMAPを用いた次元削減とAgglomerative clusteringを組み合わせてクラスタリングされ、6つの既知の欠陥カテゴリに対してハンガリアン法による一致精度91.3%を達成しています。この成果は、ラベル付きデータが限定的な産業応用場面での自動品質検査システムの実用化に向けた有望な進歩を示しています。