AI外観検査システムのハードウェア選定についての核心的な結論は次のとおりである。まず検査精度とタクトを固め、そこからカメラ解像度とレンズ方式を逆算し、最後に光源と演算プラットフォームで安定性を確保する。つまりハードウェア選定は最も高価なものを買うことではなく、撮像品質、処理速度、現場環境を整合させることである。
1. AI外観検査システムはどのような問題を解決するか
製造業において、AI外観検査システムは主に3種類の問題を解決する。欠陥検出、すなわちキズ、異物付着、欠品であり、寸法測定、すなわち隙間、穴径、位置であり、そして認識と位置特定、すなわち文字、バーコード、組立の向きである。高度に反復的で疲労の大きい工程における人の判断を代替し、同時に検査結果を構造化された形でMESやPLCへ出力する。従来のマシンビジョンと比べたAIビジョンの優位性は、不規則な欠陥への許容度が高いことにある。複雑なテクスチャの表面やわずかに変形したワークでは、しきい値を固定したルールアルゴリズムは欠陥を見逃しやすいが、深層学習モデルはサンプル訓練を通じてこうしたばらつきをカバーできる。
2. ハードウェア選定における主要な技術パラメータは何か
カメラが起点である。解像度は視野と最小欠陥サイズから逆算すべきである。視野の幅が200ミリで0.1ミリの欠陥を検出する必要があるなら、水平解像度は少なくとも2000画素必要になる。余裕を見て、通常は500万画素のエリアセンサカメラを選ぶ。タクトはフレームレートを決め、高速ラインではモーションブラーを避けるためローリングシャッターではなくグローバルシャッターを使うべきである。インターフェースは、GigEが中長距離の配線に適し、USB3.0が短距離の高帯域に適し、Camera Linkは高速・高解像度のシナリオで今も使われている。
レンズはカメラのセンサと視野に整合させる必要があり、テレセントリックレンズは測定工程での遠近誤差を減らす。光源はカメラ以上に撮像の安定性に影響することが多い。リング照明は平坦面に、バックライトは輪郭測定に、同軸照明は反射する金属面に適する。環境光の干渉が強い工場では、遮光カバーやストロボ光源が必要になる。
演算プラットフォームは2種類に分かれる。ディスクリートGPUを搭載した産業用PCは複数カメラと複雑なモデルのシナリオに適し、エッジ演算ボックスは単一ステーションの低消費電力導入に適する。ソフトウェア面では、ONNXやTensorRTといったモデル形式への対応、そしてPLCとの通信プロトコル、一般にはModbus TCP、Profinet、OPC-UAへの対応を確認する。
3. 製造業における典型的な応用シナリオ
電子工場がコネクタの外観を検査する。ワークが小さく欠陥も微細なため、500万画素カメラにテレセントリックレンズ、バックライトと同軸照明の組み合わせを選び、タクトは毎分300個以上を要求され、演算プラットフォームは軽量モデルを動かすエッジボックスとする。自動車部品企業が鋳物の表面欠陥を検査する場合を考える。鋳物はテクスチャが複雑で反射も不均一なため、高ダイナミックレンジカメラと多角度照明が必要で、モデル側も訓練用の負例を十分に用意する必要がある。食品包装の文字認識では、ラインが速く包装フィルムが反射するため、グローバルシャッターカメラと偏光照明が撮像品質を大きく改善する。
4. 選定と導入でよくある質問
カメラ解像度は高いほどよいのか。そうではない。過剰な解像度は視野を圧縮し、演算負荷を増やし、レンズ歪みの影響を増幅する。最小欠陥サイズから2割から3割の余裕を見て逆算する。
光源はカスタマイズが必要か。標準光源でほとんどのシナリオはカバーできるが、反射の強い部品や変形の大きい部品は方式を固める前に照明テストが必要なことが多く、選定時に実ワークを提供して撮像検証を行うとよい。
既存ラインとはどう統合するか。ビジョンシステムは通常、I/O信号で撮像をトリガし、PLCやOPC-UA経由で結果を返す。選定時に通信プロトコルが既存の制御システムと互換であることを確認し、後からゲートウェイを追加する事態を避ける。
導入にはどれくらいかかるか。標準的な単一ステーション方式は撮像検証から稼働まで通常数週間、複数カメラと複雑なモデルのプロジェクトはサンプル収集と調整にさらに時間がかかり、欠陥サンプルの入手難易度に依存する。
コストはどう配分されるか。カメラ、レンズ、光源、演算プラットフォーム、ソフトウェアライセンスが主要部分で、光源とレンズの選定品質は後期の保守コストに直接影響するため、この2つで予算を過度に圧縮しないこと。
5. 適するシナリオと適さないシナリオの境界
AI外観検査システムが適するのは、タクトが安定し、入荷材料のばらつきが妥当で、欠陥サンプルを収集できる工程であり、電子組立の外観検査、自動車部品の鋳物表面検査、包装の文字認識などが該当する。適さないシナリオには、欠陥の定義自体が曖昧で一貫したラベリング基準を作れない工程、反射が強く変形が大きく照明検証でも撮像を改善できない条件、タクト要求が極端に高く安定したモデルを訓練するサンプルが足りないケースがある。こうしたシナリオは、AIビジョンを採用するかどうかを決める前に撮像の実現性検証を先に行う必要がある。
ERP時代から数十年の産業蓄積、120万社の顧客、数千万台の端末導入が示すのは、ハードウェア選定の根底にある論理は常に、撮像品質が第一、演算はタクトに整合、統合は現場に適合、という3点であり、どれも欠かせないということである。