ナレッジセンター
目次

溶接品質検査におけるAIビジョン

溶接品質検査におけるAIビジョンの中核的な価値は、人の目と経験で判定していた溶接品質を、定量化でき、追跡でき、リアルタイムに阻止できる機械の判定へ変えることにある。製造業の溶接品質の一貫性への要求はこの2年で厳しくなり、溶接技能者の確保も難しくなって、外観検査は余裕があれば行うものからラインに必須の工程へ変わった。

1. 中核となる概念と技術的な定義

AIビジョンによる溶接品質検査とは、産業用カメラで溶接過程または溶接後のビードの画像を取得し、深層学習モデルでビードの形成品質と不良種類を自動的に識別・判定することを指す。検査対象は通常、ブローホール、アンダーカット、ビードのずれ、融合不良、オーバーラップ、アーク切れ、スパッタの過多といった典型的な不良に加え、ビード幅、余盛高さ、直線度といった寸法指標も含む。

従来のマシンビジョンとの違いは、従来のビジョンが人が設定したしきい値とルールに依存し、ビードの反射が変わっただけで誤判定するのに対し、AIビジョンはサンプルでモデルを学習するため、ステンレス、アルミ合金、炭素鋼の表面反射の違いに適応でき、不規則な不良への許容性も高い点にある。業界では通常2つに分類する。溶接後に撮像して良否を判定する溶接後検査と、溶接中に溶融池やアークの画像を取得し、異常を発見した時点で警報や設備停止のインターロックを行う溶接過程のリアルタイムモニタリングである。

2. 技術原理と主要な能力

システム全体を稼働させるには、通常4つの関門を通過する必要がある。撮像段階では、特定の波長帯のフィルタを組み合わせた産業用カメラでアークの干渉を抑える。これは溶接ビジョンで最も難しい部分であり、アークは輝度が高くスパッタも多いため、普通のカメラでは真っ白な画像しか得られない。光源設計では一般に構造化光や能動照明を用いてビードの3次元的な形状を浮かび上がらせる。

アルゴリズム段階が中核である。溶接の不良サンプルは本質的に不均衡で、ブローホールは多く融合不良は少ないため、モデルは偏りやすい。実際の導入ではデータ拡張とハードサンプルの抽出が必要になる。主流の方法は畳み込みニューラルネットワークによる不良の分類とセグメンテーションであり、この2年はエッジ計算ボックス上で直接動く軽量モデルを導入するソリューションもあり、1枚あたりの推論を数十ミリ秒に抑えてラインのタクトに合わせている。

判定段階では、モデルの出力を工程の言葉に変換しなければならない。たとえばこのビードの余盛が上限を0.8mm超えているため手直し判定とする、といった形で、確率値だけを示してはならない。これにはシステムが溶接の工程パラメータライブラリと接続し、ビジョンの結果を電流、電圧、溶接速度と関連付けることが必要になる。

最後がトレーサビリティである。各ビードの画像、判定結果、タイムスタンプ、ステーション番号を保存し、後にバッチの問題を遡って追跡できるようにする。こうしたソリューションは通常、導入時にMESやQMSへのデータインターフェースを用意し、検査記録が品質ファイルに入るようにする。

3. 製造業における典型的な適用場面

電子部品工場で精密構造部品の溶接を行う場合、製品は小さく溶接点が密集している。ルーペでの目視検査は1日を通して続けられず、シフトの後半には見逃し率が目に見えて上がる。溶接後ステーションでAIビジョンが自動判定を行えば、1回の撮像で複数の溶接点をカバーし、モデルがはんだ付不良やビードのずれを安定して識別し、結果で仕分け機構を直接駆動して不良品を次工程へ流さない。

自動車部品企業がシャシー部品のアーク溶接を行う場合を想定する。ビードは長く熱変形も大きく、品質は溶接後の手作業のスラグ除去と目視に依存しており、効率が悪く見逃しも多い。ビジョン検査を導入した後は、溶接ロボットの先端またはステーションの上方にカメラを設置し、溶接直後に撮像してアンダーカットとブローホールに注目し、同時にビード幅の一貫性を測定する。システムは各部品の検査画像を保存するため、顧客からのクレームがあれば該当するシフトと設備を素早く特定できる。

もう一つの場面は動力電池のタブ溶接で、薄板の重ね溶接であり融合不良と溶け抜けに極めて敏感である。こうした場面は撮像への要求が高く、通常は高フレームレートのカメラと同軸照明が必要で、モデルは溶け抜けと正常な溶け込みの微妙な違いを区別しなければならない。実際のラインでは、ビジョンの判定を溶接設備の電流波形モニタリングと相互検証し、両方の信号が異常な場合にのみ停止をトリガすることで、誤警報がラインのタクトを乱すのを減らしている。

4. 選定の優先順位と導入の指針

こうしたシステムを選ぶ際は、アルゴリズムの指標だけを見ず、まず撮像方案が自社の材料と継手の形態に適応できるかを確認する。ベンダーには実際のワークと実際の溶接パラメータでサンプルを流させ、誤判定率と見逃し率を見るほうが、パンフレットを読むより役に立つ。溶接ビジョンの難しさの8割は撮像にあり、アルゴリズムは比較的標準化された部分である。

第二に不良ライブラリの網羅性を見る。どの不良種類で学習したのか、サンプル量はどの程度か、後から新しい不良種類を追加できるかを明確に問う。切り替えが頻繁な企業はモデル切り替えの時間コストに注目すべきで、理想は新製品が少量のサンプルの微調整だけで稼働できることである。

第三にライン統合能力を見る。検査タクトが溶接のタクトに追従できるか、判定結果を既存のPLCや仕分け機構とどう通信するか、データを保存して追跡できるか。この3点はいずれも概念検証の段階で確認し、受け入れ時に互換性がないと分かる事態を避けたい。

導入は段階的に進める。まず単一のステーションで検証し、撮像と判定のループを回してから、類似のステーションへ横展開する。初期は人の再判定を保険として残し、モデルが実際のラインで安定して稼働し誤警報率が収束してから、再判定の比率を徐々に下げる。サンプルのフィードバックを管理する担当者を置き、誤判定画像を定期的に回収して再アノテーションと再学習を行うことが、モデルを時間とともに精度向上させる方法である。

5. 動向とまとめ

一つの方向は検査を上流へ移すこと、すなわち溶接後の排除から溶接過程のリアルタイム閉ループ制御へ進み、ビジョンが溶融池の異常を検出して溶接パラメータを直接調整し、不良の形成段階での解消を狙う。もう一つはマルチモーダル融合で、ビジョンをアークの電気信号やアコースティックエミッション信号と合わせて判定し、単一信号では誤判定しやすい場面の信頼性を高める。さらにエッジ計算のさらなる移行があり、検査モデルが中央サーバーに依存せずライン脇の小さなボックス上で直接動くことで、配備の柔軟性とリアルタイム性がともに向上する。

溶接品質検査において、AIビジョンは溶接工程そのものを置き換えるものではなく、品質判定の物差しをより安定させ、より細かくし、より検証可能にするものである。製造業者にとって、適切な撮像方案を選び、データの閉ループを回すことが、最新のモデルアーキテクチャを追うよりはるかに実用的である。

分野: AI画像認識百科