マシンビジョンとAI外観認識の本質的な違いはここにある。マシンビジョンは"ルールで答えを導き"、AI外観認識は"データから答えを学習する"。前者は人が定義した特徴量としきい値で判定し、後者は深層学習モデルが自ら特徴量を抽出する。生産ラインの検査現場では、ルールが変わったり不良の種類が変わったりすると、マシンビジョンはパラメータの再調整や場合によってはプログラムの書き直しが必要になるが、AI外観認識はサンプルを追加して再学習させることで適応できる。
1. 中核となる概念と技術的な定義
マシンビジョンはより工学的な概念である。カメラ、レンズ、光源、フレームグラバ、アルゴリズムソフトウェアを用いて人の目に代わり、計測、位置決め、検査、識別を行う。1980年代から1990年代にかけて産業現場に普及し、代表例としてはキーエンスやコグネックスのビジョンシステム、HalconやVisionProといったアルゴリズムライブラリがある。その中核となる論理は"特徴量エンジニアリング"であり、エンジニアがエッジ、濃淡差、面積、真円度といった見るべき項目をシステムに指示し、システムが事前に設定したしきい値と比較してOKかNGを出力する。
AI外観認識はマシンビジョンの一分野であり、畳み込みニューラルネットワーク(CNN)やTransformerといった深層学習モデルを用いて画像理解のタスクを行う。手書きのルールに依存せず、ラベル付き画像でモデルを学習させることで、不良のテクスチャ、文字の形状、対象物の輪郭といった特徴表現をモデル自身が獲得する。代表的なタスクには分類、物体検出(YOLO系など)、セマンティックセグメンテーション、異常検知がある。産業界で一般に"AI外観検査""深層学習による不良検出"と呼ばれるものは、おおむねこの範疇に入る。
両者は置き換えの関係にはない。完成したAIビジョンシステムにおいても、カメラ、光源、レンズといった撮像ハードウェアはマシンビジョンの基盤そのものであり、変わるのはその背後にある判定ロジックである。
2. 技術原理と主要な能力
マシンビジョンの判定チェーンは、画像前処理、特徴量抽出、しきい値判定である。エンジニアは不良がどのような見え方をするかを正確に把握したうえで、対応する特徴量の組み合わせを設計しなければならない。利点は論理が透明で解釈性が高く、計算負荷が低いため一般的な産業用PCでも動作することにある。限界も明らかで、反射、低コントラスト、形状のばらつきが大きい不良、複雑な背景といった条件では、ルールを網羅的に列挙することが難しい。たとえば電子部品工場でコネクタのピンを検査する場合、ピンの傾きが一定せず、表面に反射するめっきが施されているため、従来のビジョンでは調整が極めて困難になる。
AI外観認識のチェーンは、データのアノテーション、モデル学習、推論の実装である。モデルは大量のサンプルから特徴量を自動的に学習し、照明の変化や不良の見え方の違いに対して高い許容性を持つ。"ルール化はできないが異常は見える"といったタスク、たとえば布地の欠点、鋳物の巣、溶接ビードの形成不良などを扱える。その代償として、サンプル、アノテーション、学習サイクルが必要であり、推論段階では通常GPUを要する。もう一つの重要な能力が異常検知であり、正常サンプルのみで学習しても未知の不良に対して高い異常スコアを出せるため、不良サンプルが乏しい新規ラインでは非常に実用的である。
3. 製造業における典型的な適用場面
自動車部品企業がエンジンシリンダーブロックの表面を検査する場合を考える。不良の種類には巣穴、傷、打痕があり、位置はランダムで形状もさまざまである。従来のマシンビジョンでは不良の種類ごとに特徴量を設計する必要があり、鋳造のロットが変わるだけで判定できなくなることがある。AI外観認識であれば、数百枚の不良画像と正常画像を収集して検出モデルを学習させる。稼働後は新しいロットへの汎化性能が明らかに高く、ラインの品種切り替え時には新しいサンプルを撮影してモデルを再学習すればよい。
電子部品工場でPCB基板上の部品実装を検査する場合を考える。部品欠落、位置ずれ、極性逆転、はんだ付け不良のうち、部品欠落と位置ずれはルールが明確なため、マシンビジョンが高速かつ安定して処理できる。はんだ付け不良の形状ははんだ量や温度の影響を強く受け、ルールで網羅するのは難しく、AIモデルによる分類が適している。実際の生産ラインでは、ルールベースのビジョンが高タクトで確実性の高い位置決めや計測を担い、AIモデルが複雑な不良判定を担うハイブリッド構成がよく用いられる。
もう一つの類型が組立の完全性チェックである。家電企業が洗濯機パネルのボタン組立を検査する場合、ボタンの色は似ており文字は小さい。従来のビジョンでは、文字の欠落と誤組立の違いを誤判定しやすい。AI外観認識と物体検出、文字認識モデルを組み合わせれば、ボタンの有無、位置ずれ、文字内容の一致を同時に出力できる。
4. 選定の優先順位と導入の指針
まずタスクの確実性から考える。不良のルールを明確に記述でき、タクト要求が高く、計算資源の予算が限られる場合はマシンビジョンを優先する。不良の形状が多様で、ルール化ができず、十分なサンプルを蓄積できる場合はAI外観認識を検討する。
次にサンプルの母数を確認する。AIモデルの性能は学習データの網羅性に大きく依存する。ラインが立ち上がったばかりで不良サンプルが数十枚しかない場合は、まず異常検知から始めるか、ルールベースのビジョンで運用を維持し、教師あり学習モデルに性急に移行しないことだ。サンプルが数百枚以上に蓄積し、主要な不良種類を網羅できてから、分類モデルや検出モデルを学習させるほうが信頼性が高い。
撮像品質は共通の前提条件である。照明設計が不十分であれば、どんなAIモデルでも挽回できない。反射、影、モーションブラーは光学の段階で解決すべきであり、アルゴリズムによる補正を期待してはならない。
導入に際してはハイブリッド構成を推奨する。位置決め、計測、高タクトの判定はルールベースのビジョンが担い、複雑な不良の分類と異常スクリーニングはAIモデルが担い、両者の出力を同一の判定レイヤーで統合する。これによりラインのタクトを維持しながら、複雑な不良への対応範囲を広げられる。
ERP時代から数十年にわたる産業経験、すなわち120万社の顧客へのサービス、累計数千万台の端末導入、国内外市場のカバーが示すのは一つのことである。製造現場のビジョン要件は単一の技術で解決できるものではなく、重要なのは手法をタスクに合わせることだ。
5. 動向とまとめ
第一の方向はハイブリッド構成の標準化である。ルールベースのビジョンとAIモデルは二者択一ではなく、一つのシステム内で役割を分担する。軽量モデルをエッジで動かしてタクトを守り、クラウドでモデルの反復とサンプル管理を行う。
第二の方向は小サンプル学習と自己教師あり学習の現場浸透である。品種切り替えが頻繁で不良サンプルが乏しいのは常態であり、少数ショット学習、異常検知、生成的データ拡張によって、AIビジョンのサンプル要件はさらに下がり続ける。
第三の方向はビジョンとプロセスデータの連携である。不良判定は画像だけに依存せず、設備パラメータやプロセス曲線を組み合わせた総合判断へ移行し、システム統合能力への要求が高まる。
冒頭に戻ろう。マシンビジョンはルール駆動、AI外観認識はデータ駆動である。どちらを選ぶかは、不良をルールで明確に記述できるか、十分なサンプルを蓄積できるかで決まる。多くの産業現場では、答えは両方が必要だということになる。