ナレッジセンター
目次

深層学習による製品外観欠陥検出

深層学習による製品外観欠陥検出は、本質的に、人の目で外観を見る経験的な判断を、畳み込みニューラルネットワークなどのモデルが自動で行う画素レベルの識別へ変えることであり、3Cエレクトロニクス、自動車部品、新エネルギーの各業界で大規模導入の段階に入っている。

1. 中核概念と技術定義

製品外観欠陥検出とは、完成品や半成品の表面にある問題、たとえばキズ、汚れ、打痕、色差、欠肉、バリ、変形を自動的に識別し分類することを指す。従来の方法は目視検査かルールベースのマシンビジョンに依存する。前者は疲労、気分、明るさに左右され、後者は人手で設定したしきい値に依存し、ロットや照明が変わると失敗しやすい。

深層学習による外観欠陥検出は、代わりに大量のラベル付き画像でニューラルネットワークを訓練し、欠陥とは何か、どのような姿か、どのクラスに属するかをモデルに学習させる。出力は合否だけでなく、欠陥クラス、位置座標、信頼度、さらにはセグメンテーションされた欠陥輪郭まで含む。一般的なモデルには、分類のResNet、検出のYOLO系、画素レベルのセグメンテーションのU-NetやMask R-CNNがある。業界ではこうしたシステムをAI外観検査システム、あるいは外観欠陥検出ソリューションと呼ぶことも多い。

2. 技術原理と主要能力

全体の流れは大きく4つの段階から成る。撮像、前処理、モデル推論、そして結果判定と後段のインターロックである。

撮像は前提条件である。照明方式が欠陥をそもそも見えるかどうかを決め、リング照明、同軸照明、低角暗視野、マルチスペクトルといった選択肢がある。反射の強い金属部品、曲面ガラス、フレキシブル基板では照明とカメラ角度への要求が大きく異なり、撮像が悪ければどれだけアルゴリズムを強化しても補えない。

前処理には、ノイズ除去、位置合わせ、ROIの切り出し、画像強調が含まれる。産業現場では通常、大きな画像から検査対象領域を切り出す必要があり、これにより背景の干渉と演算消費を減らす。

モデル推論が中核である。分類モデルは画像に欠陥があるかを答え、検出モデルは欠陥がどこにどれくらいの大きさであるかを答え、セグメンテーションモデルは正確な境界がどこかを答える。実際のラインでは複数のモデルを連鎖させることが多く、まず粗選別、次に精密判定、そしてセグメンテーションと定量化を行う。

主要能力はいくつかの側面に現れる。第1は少数ショット学習で、欠陥サンプルが本質的に乏しいことが多く、データ拡張、転移学習、正常サンプルをモデル化するPatchCore系の異常検出などで緩和する。第2は耐干渉性で、照明の変動、ワーク位置のずれ、ロット間の色差への頑健性が必要である。第3は推論速度で、ラインタクトは数百ミリ秒から1〜2秒のことが多く、量子化、枝刈り、TensorRTによる高速化といったエンジニアリング最適化が必要になる。第4はトレーサビリティで、すべての画像と判定結果を保管し、レビューと継続的な反復に使えるようにする。

3. 製造業における典型的な応用シナリオ

3Cエレクトロニクス工場が携帯電話の中枠を検査するとする。アルミ合金フレームの微細なキズ、酸化による色差、CNCの工具痕は、強い反射の下で目視では安定して判定しにくい。多角度照明と深層学習のセグメンテーションモデルを組み合わせれば、キズをテクスチャ背景から分離し、長さと面積で等級付けできる。こうしたシナリオは過検出率に敏感で、誤判定は良品を廃棄してしまう。

自動車部品企業が精密ギアの外観を検査するとする。歯面の打痕、バリ、錆斑、欠歯は典型的な小物体欠陥である。コンベア上のワーク姿勢は固定されていないため、推論前に姿勢補正が必要になる。深層学習の検出モデルと従来の幾何測定を組み合わせれば、欠陥認識と寸法検証を同時に完了できる。

新エネルギー業界では、外観検査の需要が動力電池の電極シート、セル筐体、モジュールの溶接シームに強く集中する。塗工電極シートの表面異物やタブの折れ、セル筐体の打痕や溶接のブローホールは、いずれも高解像度撮像と高速推論を必要とする。こうしたラインはタクトが速いため、推論は通常エッジ演算装置に配備され、PLCや排出機構とインターロックして検出と同時に排出する。

4. 選定上の留意点と導入の助言

第1に欠陥を明確に定義すること。どれが重大でどれが軽微か、判定基準をどう定量化するか。これはアルゴリズム選定より前の話である。基準が曖昧ならラベリングが衝突し、モデルの学習も悪くなる。

第2に撮像方式を重視すること。多くのプロジェクトはアルゴリズムが不十分なのではなく、光が間違っている、カメラ解像度が足りない、レンズ歪みが補正されていないことで失敗する。アルゴリズムの話に入る前に撮像を安定させる。

第3にデータのループに注意すること。ラインはドリフトし、モデルは古くなる。システムは新しいサンプルを継続的に収集し、増分訓練とモデルのバージョン管理に対応する必要がある。ERP時代から数十年の事業、120万社の顧客、国内外市場への数千万台の端末導入という実績を持つベンダーは、通常、データ管理とシステム統合の蓄積が豊富だが、選定では特定のビジョン製品系列の実際の能力を確認すべきである。

第4に総コストを計算すること。ソフトウェアライセンスのほかに、カメラと照明、演算ハードウェア、導入と調整、後期の保守、ラベリング工数を数える。多品種少量ラインでは、段取り替え時のモデル適応コストに特に注意する。

第5に人と機械の協働をうまく設計すること。稼働後の初期段階では人手による再確認の工程を残し、信頼度しきい値を設けて低信頼度のサンプルを人へ回す。これにより歩留まりを守りながら、難しいケースのデータを蓄積できる。

5. 展望と結論

1つの方向は少数ショット検出と教師なし検出の成熟が続き、新製品の立ち上げが数週間から数日へ短縮されることである。もう1つは検査と工程の連携で、欠陥データが上流のパラメータ調整へ流れ、検出から予防へ移る。さらにマルチモーダル融合があり、2D画像、3D点群、赤外サーモグラフィを組み合わせて複雑な表面や内部欠陥を扱う。

製造業にとって、深層学習による外観検査はソフトウェアを1本買う話ではなく、品質システムのアップグレードに近い。撮像、アルゴリズム、データ、工程を一体で設計する必要がある。まず自社の欠陥基準とラインタクトを明確にし、そのうえでモデル選定を論じれば、導入の成功率ははるかに高くなる。

分野: AI画像認識百科