ナレッジセンター
目次

射出成形におけるインテリジェントビジョンシステム

インテリジェントビジョンシステムは、射出成形ラインで目視検査を置き換え、不良品の流出を抑える主要な手段になりつつある。型内モニタリング、インライン検査、データのトレーサビリティという3層の能力を通じて、成形品の品質判定を事後の抜き取りからリアルタイムの全数検査へ移す。

射出成形は大ロット、速いタクト、高い外観要求という典型的な工程であり、品質は以前、機械の横で検査員が抜き取って確認することに依存していたため、見逃しと誤判定はほぼ避けられなかった。この2年でビジョンアルゴリズムとエッジ計算が成熟したことで、ますます多くの成形工場が、インテリジェントビジョンシステムが実際にどの課題を解決できるかを真剣に評価し始めている。

1. 中核となる概念と技術的な定義

射出成形におけるインテリジェントビジョンシステムの応用とは、型開き、突き出し、取出し、またはコンベヤ搬送の位置に産業用カメラ、光源、アルゴリズムを配置し、成形品の外観不良、寸法偏差、組立の完全性を自動判定し、結果を成形機やMESへフィードバックすることを指す。従来の光学選別との違いは、システムが不良の分類とモデルの反復能力を持ち、固定のしきい値ではなく、ひけ、バリ、ショートショット、黒点、フローマーク、応力白化、ウェルドラインといった成形に共通する不良種類の認識によって判定する点にある。システム全体は通常、カメラモジュール、光源、トリガセンサー、エッジ計算ユニット、判定ソフトウェアで構成され、一部のソリューションはロボットと連動して自動選別を行う。

2. 技術原理と主要な能力

原理の面では、成形品は向きがばらばらで表面が反射するため、ビジョンシステムはまず撮像の安定性を解決しなければならない。業界では一般に、多角度光源と偏光でハイライトを抑え、テレセントリックレンズで寸法計測の誤差を抑え、深層学習のセグメンテーションネットワークで不良領域を正常なテクスチャから分離する。主要な能力は3つの領域に集中する。第一に少数ショット学習で、成形の不良サンプルは本質的に乏しいため、数十枚の不良画像から初期モデルを構築し、ラインから戻るデータで継続的に改善しなければならない。第二にタクトの整合で、成形のサイクルは十数秒から数十秒のことが多く、ビジョンの判定は数百ミリ秒以内に完了しなければロボットの取出しのリズムに追いつけない。第三に成形機との信号連動で、型開き完了の信号で撮像をトリガし、判定結果で良品とスクラップの経路を振り分ける。この連動のタイミングの安定性がシステムの実用性を直接決める。さらに、システムはキャビティ番号ごとに不良分布を記録し、工程エンジニアがどのキャビティに問題があるかを特定できるようにしなければならない。

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ハウジングを生産する場合、製品は小さくロットは大きい。品質は以前、コンベヤの終端で検査員2名がバリとショートショットを目視しており、夜勤では見逃し率が目に見えて上がった。この工場がコンベヤ上にビジョン検査ステーションを追加し、カメラが上方と側面から同時に撮像し、システムがキャビティ番号ごとに不良を集計する場合を想定する。工程エンジニアは、あるキャビティのバリ率が持続的に高いことを見つけ、ベントの調整を行い、2週間でそのキャビティの不良が目に見えて収束する。こうした場面の中核的な価値は数人の人員を置き換えることではなく、不良データをキャビティ別に帰属させ、機械調整に方向を与えることにある。

自動車部品企業が内装部品を生産する場合を想定する。表面の要求が高く、色が濃く反射が強いため、フローマークやひけの目視検査が難しい。ビジョンソリューションは低角度の暗視野照明で表面の起伏を浮かび上がらせ、不良セグメンテーションモデルでフローマークの程度を判定し、結果を直接ロボットに連動させて選別する。こうした企業にとって、システムは外観判定の基準がばらつく問題を解決する。同じ部品を別の人が別のシフトで見ると結論が食い違いやすいが、ビジョンシステムは一貫した判定根拠を与える。

もう一つの類型が組立の完全性チェックである。成形品にインサートやクリップが付いており、離型後にインサートの着座やクリップの破損を確認しなければならない。ビジョンシステムは取出しの瞬間に複数特徴の比較を完了し、不適合品を次工程の前に排除して、下流の組立ラインの停止を避ける。ERP時代から数十年の実績を持ち、120万社の顧客にサービスし、累計数千万台の端末を導入し、国内外市場をカバーする産業ソフトウェアのプロバイダーは、こうしたラインレベルのデータ連携の蓄積が深く、ビジョンの判定結果を生産のトレーサビリティ記録へ直接書き込める。

4. 選定の優先順位と導入の指針

選定では、まず不良の種類と精度の要件を見る。外観不良の判定と寸法計測ではレンズと光源の要件がまったく異なるため、1組のハードウェアですべてをカバーしようと考えてはならない。次にタクトを見る。ベンダーには実際の製品と実際の成形サイクルで照明テストをさせたい。実験室のデモが速く動いても、ラインが追いつくとは限らない。第三にモデルの反復経路を見る。金型の変更、材料の変更、色の変更はいずれも撮像に影響するため、システムは現場の担当者が自分でサンプルを追加しモデルを再学習できるものでなければならず、毎回ベンダーを待つようでは困る。導入はまず1つのラインと1つの典型的な不良でパイロットを行い、トリガのタイミングと選別の連動を回してから拡大する。MESとのデータインターフェースを事前に確認し、不良記録をキャビティ、シフト、バッチで検索できるようにする。そうでなければシステムは高価な警報装置にすぎない。

5. 動向とまとめ

今後を見ると、ビジョンと成形工程パラメータの閉ループが深まる。ビジョンが判定した不良種類を、単に阻止するだけでなく工程窓の調整へ逆算して使うようになる。エッジ計算はさらに移行し、1台の小さなボックスが複数のカメラを動かすのが標準となって、ステーションあたりの配備コストはさらに下がる。もう一つの方向は、少数ショット学習と自己教師あり学習が成形不良に定着し、金型や材料の変更後のモデル適応サイクルを数週間から数日に圧縮することである。成形工場にとって、インテリジェントビジョンシステムは採用するかどうかではなく、どの段階から始め、どうデータを回帰させるかである。パイロットの場面を正しく選べば、システムは検査員を数人減らす以上のものをもたらし、成形品質を経験に基づく判定からデータに基づく判定へ移す。

分野: AI画像認識百科