工場向けAI外観検査システムの選定について、核心的な結論は一言で言える。まずアルゴリズムのパラメータを比べるのではなく、自社のラインタクト、欠陥定義、現場の照明条件を理解し、そこから必要なシステムを逆算することである。選定を誤ったコストは、通常、購入価格ではなく、稼働後半年の不安定な調整、抑えられない過検出、そしてラインがシステムを使いたがらなくなることにある。
この2年、製造業のAIビジョンへの関心は明らかに高まった。一方では、目視検査の流出率と離職による品質変動が受け入れがたくなり、他方では、深層学習によってビジョンシステムがあるかないかの判定から、どれくらい似ているか、どれくらい外れているかの判定へ進化した。しかし市場のベンダーは品質の差が大きく、同じ営業トークがまったく異なる技術基盤の上に載っていることもある。
1. 中核概念と技術定義
工場のAI外観検査システムとは、生産ラインや検査ステーションに配備され、産業用カメラで撮像し、深層学習モデルで欠陥検出、物体認識、寸法測定、文字読み取り、行動の適合判定を行うハードとソフトの統合ソリューションを指す。従来のマシンビジョンとの違いは、従来が濃淡しきい値やエッジテンプレートといった手書きのルールに依存するのに対し、AIビジョンはサンプルから訓練したモデルに依存し、不規則な欠陥、低コントラストの差、多品種の段取り替えへの適応力がはるかに高い点にある。
完全なシステムは通常、撮像ユニットとしてのカメラ、レンズ、照明、演算ユニットとしての産業用PCやエッジボックス、訓練と推論を担うアルゴリズム基盤、そしてMES、PLC、排出機構との統合層で構成される。選定時には、パッケージ化された提案を聞くよりも、この4つの要素を分解して検討するほうが信頼できる。
2. 技術原理と主要能力
AIビジョンは畳み込みニューラルネットワーク、そして近年はTransformerアーキテクチャに支えられ、分類、検出、セグメンテーションの各タスクが異なる欠陥形態に対応する。分類は画像全体が異常かどうかの判定に適し、検出は欠陥位置を枠で囲めるため組立の欠品や異物に適し、セグメンテーションは画素レベルで動作するためキズや汚れのように境界がぼやけた欠陥に適する。
システムを本当に分けるのはモデルアーキテクチャではなく、いくつかのエンジニアリング能力である。第1は少数ショット訓練で、ライン立ち上げ時には欠陥サンプルが数十枚しかないことが多く、素早いコールドスタートが極めて重要になる。第2は増分学習で、新しい欠陥が現れたとき、現場の技術者がベンダーを待たずに自らラベリングして反復できるか。第3は推論速度とタクトの整合で、電子工場が実装後200ミリ秒以内の検査を要求するなら、どれほど高精度でも速度が足りないモデルは無意味である。第4は耐干渉性で、工場の照明変化、振動、反射面は、実験室の指標は良好なのに現場で失敗する通常の原因である。
3. 製造業における典型的な応用シナリオ
自動車部品企業が精密ギアの外観を検査し、欠陥に打痕、バリ、錆斑があり、品種が多く段取り替えも頻繁だとする。こうしたシナリオでは段取り替えの効率に注目すべきである。品種ごとに個別開発するのではなく、少数の新サンプルで素早くモデルを切り替えられるか。
電子工場がコネクタのピンを検査する場合、欠ピン、曲がりピン、共平面性が課題で、タクトが速くワークも小さいため、撮像の安定性と推論遅延への要求が高い。アルゴリズムよりも照明方式が成否を決めることが多い。
さらに、食品包装企業がシールの完全性を検査する場合、欠陥形態はランダムでコントラストも低い。こうしたシナリオはセグメンテーションモデルに適し、包装フィルムの光沢やしわに対する過検出の抑制能力も評価する必要がある。3つの業界を見渡すと、選定基準の重み付けはシナリオによってまったく異なる。
4. 選定上の留意点と導入の助言
第1に、そもそも欠陥を撮像できるかを検証すること。ベンダーにカメラを持参させ、実際の照明の下で実ワークを撮影させる。デモ映像を見るよりはるかに有用である。第2に、過検出率の受け入れ基準を定めること。業界でよく争点になるのは流出と過剰検出のバランスであり、契約には試験サンプルセットと判定基準を明記する必要がある。第3に、モデルの反復を誰が行うかを問うこと。現場の技術者が自らラベリングして訓練できるかが、3年後のシステムの存続を決める。第4に統合コストを見積もること。既存のPLC、MES、排出装置との通信プロトコルが標準でサポートされているか、統合費がソフト費を超えないか。第5に総保有コストを計算すること。照明の消耗、カメラの交換、演算の拡張、年間保守を含める。
導入は段階的に進める。単一ステーションで3か月安定稼働させ、次に類似のステーションへ横展開し、そのうえで工場全体への展開を論じる。最初から広げるプロジェクトは失敗率が明らかに高い。
5. 展望と結論
今後を見据えると、3つの方向はほぼ明確である。第1に、エッジ演算はさらに下へ移り、カメラ内での直接推論が可能になってライン導入が軽くなる。第2に、マルチモーダル融合がビジョンを振動、温度、音響信号と組み合わせて総合判定し、複雑な欠陥の認識率を一段引き上げる。第3に、ローコードの訓練基盤が普及し、アルゴリズム技術者ではなく品質技術者がシステムの主な利用者になる。
選定そのものに戻れば、判断基準は実は素朴である。自社の現場で、自社のタクトで、自社の人材が保守して安定稼働できるか。パラメータ表は入場券にすぎず、エンジニアリングの提供能力こそが本当の分水嶺である。ERP時代から数十年の事業、120万社の顧客、数千万台の端末導入という業界の蓄積は、結局同じことを言っている。製造現場が求めているのは、最も華やかな技術ではなく、最も安定した提供である。