ナレッジセンター
目次

AIビジョンシステムのハードウェア選定:カメラより先にシーンを定義する

この2年ほどで、製造業のAI外観認識に対する関心は"導入するかどうか"から"どう選ぶか"へと急速に移った。ライン検査、行動コンプライアンスの監視、安全防護、倉庫の在庫カウント。ほとんどすべての工程がビジョンシステムによって再定義されつつある。しかし実務上の問題が立ちはだかる。アルゴリズムがどれほど強力でも、撮像品質が追いつかなければすべては絵に描いた餅だ。ハードウェア選定こそが、こうしたシステムが生産現場で実際に稼働できるかを決める最初の関門である。

1. 中核となる概念と技術的な定義

AI外観認識システムとは、本質的には産業用カメラで画像を取得し、深層学習モデルで物体検出、分類、セグメンテーション、あるいは行動判定を行い、その結果をPLC、MES、警報装置へ出力するものである。従来のマシンビジョンとの違いは、従来のビジョンがルールと特徴量エンジニアリングに依存するのに対し、AIビジョンはデータ駆動であり、複雑な背景、非標準の不良、姿勢の異なる対象への適応力がはるかに高いことにある。

ハードウェア面では、完全なAI外観認識システムは通常、産業用カメラ(センサーとレンズマウントを含む)、レンズ、光源と光源コントローラ、フレームグラバまたはエッジコンピューティングボックス、計算プラットフォーム(産業用PC、エッジサーバー、GPUモジュール)、通信およびIOモジュールで構成される。選定とは、各部品の"良い"版を選んで組み立てることではなく、検査精度、タクト、環境適応性を軸にしたシステムレベルの整合を取ることである。

2. 技術原理と主要な能力

カメラは選定における最初の判断点である。エリアスキャンカメラは静止または準静止の検査、たとえば部品表面の不良や文字認識に適し、ラインスキャンカメラは連続移動するウェブ、ストリップ、円筒面の検査に適し、エンコーダと同期させる必要がある。解像度は高ければよいわけではない。最小不良サイズを光学倍率で割って必要画素数を求め、さらに20%から30%の余裕を確保する。フレームレートはラインタクトに合わせる必要があり、高速ラインではローリングシャッターによる動き歪みを避けるためグローバルシャッターを使うべきである。

センサー種別ではCMOSが現在の主流であり、量子効率とダイナミックレンジは明確に向上している。ただし極低照度や近赤外帯域では、sCMOSや特殊センサーの評価が必要な場面も残る。インターフェースでは、GigEは中長距離の配線に適し、USB3.0は短距離の高帯域に適し、Camera LinkとCoaXPressは高速高解像度の場面を対象とする。選定時にはフレームグラバとケーブルのコストを過小評価していないか確認したい。

レンズは見落とされやすいが、撮像の限界を直接決める。テレセントリックレンズは歪みが小さく精密な寸法計測に適し、FAレンズは汎用性が高く広視野の不良検出に適し、高解像度カメラには分解能の対応したレンズを組み合わせなければ画素が無駄になる。光源はAIビジョンの"見えないアルゴリズム"である。リングライト、バックライト、同軸照明、バーライトはそれぞれ異なるコントラストの問題を解決し、ストロボコントローラは高速露光と組み合わせて外乱光の影響を抑えられる。

計算プラットフォームの選択はモデルの複雑さとライン数に依存する。軽量な単点検査ならエッジコンピューティングボックスで足りる。多カメラ、多ステーション、高フレームレートの映像ストリーム解析には、GPUエッジサーバーや外付けGPUを搭載した産業用PCが必要になる。映像ストリーム1本あたり、デコード、推論、後処理でどれだけ計算資源を消費するかを明確に算出し、公称TOPS値だけを見て判断してはならない。

3. 製造業における典型的な適用場面

電子部品工場でコネクタの外観を検査する場合を想定する。不良にはピンの傾き、樹脂バリ、端子の傷があり、最小不良は約0.05mm、ラインタクトは毎分300個である。この場面には500万から1200万画素のエリアスキャンカメラ、テレセントリックレンズ、グローバルシャッター、バックライトと同軸照明の併用、エッジコンピューティングボックスでのローカル推論、IO経由の結果出力による直接排除が適する。よくある選定ミスは、ローリングシャッターで移動中のコネクタを撮影してしまい、像の流れによって見逃しが発生することである。

自動車部品企業のブレーキディスク表面検査を考える。ワークの直径が大きく、表面の反射が不均一で、不良の種類が多く境界も曖昧である。これには高ダイナミックレンジカメラと拡散ドーム照明が必要で、解像度は不良面積から逆算し、計算プラットフォームは分類モデルだけでなくセグメンテーションモデルを動かせるものを選ぶ。普通のリングライトを使えば、反射領域が実際の不良を覆い隠し、アルゴリズムをどう調整しても救えない。

行動認識の場面もある。倉庫会社がフォークリフト運転者のシートベルト着用や、違反となる離車を検出したいとする。こうした用途は高解像度を要求しないが、画角のカバレッジとフレームレートを要する。200万画素のネットワークカメラに広角レンズ、軽量な姿勢推定モデルを動かすエッジボックスで十分である。要点は取り付け角度と照明補正であり、画素を積み増すことではない。

4. 選定の優先順位と導入の指針

ハードウェアより先に検査対象を定義する。この順序は逆にできない。最小不良サイズ、視野、作動距離、ライン速度の4つのパラメータを明確に書き出し、それに基づいてサプライヤーに光学設計を作らせる。カメラの型番から逆算してはならない。

環境評価を省いてはならない。粉塵、湿気、オイルミスト、電磁干渉、外乱光の変動は、それぞれカメラの保護等級、光源の形態、ケーブルの選定に影響する。IP67のカメラでも、普通のレンズを保護ハウジングなしで使えばレンズ側から湿気が入る。

計算資源には余裕を残すが、無駄にはしない。モデルの反復、検査項目の追加、カメラの増設はいずれも計算資源を消費する。現在の必要量の1.5倍で構成するのが現実的である。同時に、ソフトウェアスタックが主要な深層学習フレームワークのモデル配備に対応しているか確認し、アルゴリズムチームがハードウェアに合わせて推論コードを書き直さずに済むようにしたい。

通信プロトコルは端から端まで接続できなければならない。カメラのトリガ、結果出力、PLCとのハンドシェイク、MESへのアップロード。選定段階でIOモジュールとプロトコルの対応(Profinet、EtherCAT、Modbus TCPなど)を確認し、統合時にゲートウェイを追加する事態を避ける。

ERP時代から数十年にわたり蓄積された産業経験、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。ハードウェア選定の落とし穴は通常、仕様表の上ではなく、シーンの整合とシステム統合の細部にある。こうしたシステムの価値は、単一の構成要素がどれほど優れているかではなく、カメラ、レンズ、光源、計算資源、通信が全チェーンで同じ検査対象に整合しているかにある。

5. 動向とまとめ

第一の方向はエッジスマートカメラである。推論をカメラに内蔵すれば産業用PCやフレームグラバが不要になり、設置点が分散し配線が難しい場面に適する。ただし計算能力とモデルの柔軟性には限界があり、短期的に分離構成を完全に置き換えることはない。

第二の方向はマルチスペクトルと3Dビジョンの融合である。2Dテクスチャに3D点群を加えることで、反射、遮蔽、高低差の検査など2Dが苦手とする不良類型に対応できる。ハードウェアコストは下がっており、評価対象に含める価値がある。

第三の方向はハードウェアとモデルの協調設計である。カメラのパラメータ、光源のタイミング、露光戦略はもはやハードウェアエンジニアが一方的に決めるものではなく、モデルの入力要件に基づいてアルゴリズムチームとともに逆算して定義する。この協働はラインのビジョンプロジェクトにおける標準的な進め方になっていく。

一文に戻ろう。AI外観認識システムのハードウェア選定の核心は、最も高価なカメラを買うことではなく、撮像チェーンを検査タスクに合致させることである。シーンを明確にし、パラメータを計算し、環境を把握することが、ハードウェアをアルゴリズム配備のボトルネックにしないための条件である。

分野: AI画像認識百科