精密な自動ピペッティング技術は、現代の実験室自動化システムの核心的な構成要素となっています。ピペットチップの品質欠陥は、液体の吸引および排出の体積精度に直接影響し、ピペット容量の偏差や精度の低下などの問題を引き起こします。さらに、ピペットチップは半透明ポリプロピレン製であり、その欠陥は微小でランダムに分布し、浅層的な特徴を示して基材との光学的なコントラストが低いため、欠陥の特徴が弱く境界がぼやけており、従来の手動目視検査法では正確に識別することが困難です。これらの問題に対処するために、ピペットチップの微小欠陥検出モデルTIP-YOLOを提案し、自動ピペット装置に応用しました。まず、GrabCutを用いてチップの欠陥を正確に分割し、その後Deep Image Blendingを利用して分割した欠陥特徴と背景を融合し、多種多様な欠陥を含む高品質なデータセットを構築しました。次に、YOLOv8nのネックネットワークに動的アップサンプリングモジュールを提案し、ピクセルのずれを適応的に学習することで微小欠陥のエッジ詳細再構築能力を強化しました。最後に、適応的空間特徴融合による4層の検出ヘッドを設計し、微小欠陥検出用の検出ブランチを新たに追加し、多スケール特徴の融合効率と空間特徴の検出感度を向上させました。実験結果により、TIP-YOLOモデルの精度（P）、再現率（R）、平均適合率（mAP@0.5）はそれぞれ0.969、0.971、0.986であり、ベースラインモデルに比べて3.0%、5.2%、2.8%向上しました。本研究はピペットチップの欠陥検出に有効な解決策を提供し、実験の知能化推進に重要な意義を持ちます。

YOLOモデル;欠陥検出;ピペットチップ;小型物体検出;自動ピペッティング