画像から決定へ：廃材中の非金属異物の推定のための支援型コンピュータービジョン

arXiv:2602.07062v1 Announce Type: new 要約：鋼冶プロセスにおける焼入れ品質は、エネルギー消費、大気排出、安全性を直接左右します。現在、非金属異物（汚染物）の有無は検査員によって視覚的に判断されていますが、これは主観性が高く、ホコリや移動する機械による危険性を伴うアプローチです。我々は、レール車荷役中の画像から汚染率（百分率）を推定し、廃材の種類を分類する支援型コンピュータービジョンパイプラインを提示します。本手法は、汚染評価をレール車単位の回帰タスクとして構造化し、マルチインスタンス学習 (MIL) およびマルチタスク学習 (MTL) を活用して時系列データを活用しています。MIL による最高成績は MAE 0.27 と R² 0.83 です。また、MTL セットアップでは廃材類別の MAE 0.36、F1 0.79 を達成しています。さらに、我々は受容ワークフロー内で準リアルタイムにシステムを実装し、マグネット/レール車検出セグメントが時間層を分割し、バージョン管理された推論サービスが確からしさスコア付きでレール車単位の推定値を生成し、構造化されたオーバーライド機能で運用者が結果を確認します。訂正や不確実なケースは、継続的改善のためのアクティブ・ラーニングループにフィードバックされます。このパイプラインは主観的な変動を減少させ、人の安全性を向上させ、受容と溶かし計画ワークフローへの統合を可能にします。

arXiv:2602.07062v1 Announce Type: new Abstract: Scrap quality directly affects energy use, emissions, and safety in steelmaking. Today, the share of non-metallic inclusions (contamination) is judged visually by inspectors - an approach that is subjective and hazardous due to dust and moving machinery. We present an assistive computer vision pipeline that estimates contamination (per percent) from images captured during railcar unloading and also classifies scrap type. The method formulates contamination assessment as a regression task at the railcar level and leverages sequential data through multi-instance learning (MIL) and multi-task learning (MTL). Best results include MAE 0.27 and R2 0.83 by MIL; and an MTL setup reaches MAE 0.36 with F1 0.79 for scrap class. Also we present the system in near real time within the acceptance workflow: magnet/railcar detection segments temporal layers, a versioned inference service produces railcar-level estimates with confidence scores, and results are reviewed by operators with structured overrides; corrections and uncertain cases feed an active-learning loop for continual improvement. The pipeline reduces subjective variability, improves human safety, and enables integration into acceptance and melt-planning workflows.