ナレッジセンター
目次

AIビジョンによる溶接品質検査への応用

溶接品質検査におけるAIビジョンの中核的な価値は、これまで人の目と経験に頼ってきた溶接外観の欠陥認識を、定量化でき、追跡でき、再現できる自動判定プロセスへ変えることにある。主に三種類の課題を解決する。溶接表面欠陥のオンライン検出、溶接プロセス安定性のリアルタイム監視、品質データの構造化された保存である。大量生産・短タクトの溶接ラインでは、このアプローチによって流出率と人手による再検査の作業量を大きく減らせるが、万能薬ではない。アーク光が強く、スパッタが多く、反射率の高いワークについては、対象を絞った評価が依然として必要である。

1. 溶接検査においてAIビジョンは実際に何を解決するのか

従来の溶接品質検査の方法は、目視検査と抜き取り検査に、場合によって超音波探傷や放射線透過検査を加えるというものだ。人による判定の課題は明白である。アーク光は目に負担をかけ、疲労は見落としを生み、判定基準はシフトごとに異なり、欠陥記録は構造化しにくい。AIビジョンが解決するのは溶接外観レベルでの自動判定であり、ブローホール、アンダーカット、溶接位置ずれ、溶け込み不足、残留スパッタ、ビード形状の不均一といった一般的な欠陥を対象とする。

従来のマシンビジョンとの違いは、従来のビジョンが人手で設定したしきい値とルールに依存し、溶接のテクスチャが変化したり反射が揺らいだりすると誤判定しやすいのに対し、AIビジョンはサンプル学習から欠陥特徴を学ぶため、不規則な形状の溶接によりよく適応できる点にある。ただし注意すべきは、AIビジョンが主に扱うのは表面および表面近傍の外観欠陥であり、内部欠陥は依然として非破壊検査の手法に依存するという点だ。両者は補完関係にあり、代替関係にはない。

2. こうしたシステムの技術原理と主要な能力は何か

典型的なシステムは、産業用カメラ、照明、フレームグラバ、エッジ演算ユニット、判定ソフトウェアで構成される。カメラの解像度は一般に500万から1200万画素の範囲にあり、溶接検査の精度は通常0.05mmから0.1mmの水準に達する必要があり、これは欠陥の合否基準に依存する。取得フレームレートはラインのタクトと整合させる必要があり、溶接速度が高い場合には露光制御と光源のストロボ同期の要求が厳しくなる。

照明設計は見落とされやすい要素である。溶接表面には魚鱗状の波紋があり反射方向が複雑なため、一般に低角度リング照明や同軸照明を用いて反射を抑え、輪郭を強調する。アルゴリズム側は概ね二つのステップからなる。まず溶接領域を位置決めしてセグメンテーションし、次に欠陥を分類して寸法を測定する。判定基準は、電子組立におけるIPC-A-610のような合否基準を参照するか、企業独自の溶接品質等級に従うことができる。

外部との接続については、通常OPC-UA、Modbus TCP、EthernetなどでPLCやMESと連携し、判定結果、欠陥種別、保存画像を品質データベースへ書き込み、部品単位のトレーサビリティを実現する。一部のソリューションでは、欠陥データを溶接パラメータ側へフィードバックし、プロセス調整の参考情報として提供できる。

3. 製造業のどの溶接工程がAIビジョンに適するか

自動車部品は典型的なシーンである。例えば自動車部品メーカーがシートフレームや排気系のアーク溶接を行っている場合、タクトは安定し、ワークの品種も比較的固定されている。溶接後にビジョン検査ステーションを設置すれば、ビード形状、アンダーカット、ブローホールをライン上で判定し、規格外の部品は自動的に手直しエリアへ振り分けられる。

電子・精密製造にも需要がある。電子工場でバッテリータブやコネクタのはんだ接合部のレーザ溶接を検査する場合、接合部の寸法が小さく数量が多いため、顕微鏡下での長時間の人手判定は効率が悪い。高倍率レンズを用いたAIビジョンであれば、はんだ接合部の外観一致性を判定でき、未溶着、溶接位置ずれ、溶け抜けに着目する。

鉄骨や配管の溶接はより複雑である。ワークが大きく、溶接線が長く、組立誤差も大きいため、ビジョンシステムはロボットやガントリーと連携して走査取得する必要があり、全数検査ではなく重要溶接部の抜き取り自動判定に適する。こうしたシーンでは経路計画と画像スティッチングへの要求が高くなる。

4. 選定と導入で押さえるべき重要課題は何か

頻繁に問われる第一の課題は、ハードウェアをどう構成するかである。カメラの選定は最小欠陥サイズと視野に依存し、高精度のシーンでは全画面のフレームレートを単純に上げるのではなく、高解像度と領域指定取得を優先する。光源はワーク表面の特性に合わせる必要があり、高反射の部品ではソリューションを固める前に照明テストを実施する。

第二の課題は環境干渉への対処である。アーク光、スパッタ、ヒュームは溶接現場における三大干渉源だ。一般的な方法は、遮光カバーを追加し、溶接後の冷却ステーションで取得し、エアブローで防塵し、取得トリガと溶接シーケンスを厳密にインターロックしてアーク期間中の撮像を避けることである。

第三の課題は統合方式である。多くのラインでは検査結果をリアルタイムにMESや品質システムへ取り込む必要があるため、プロトコルのサポート状況とデータ項目の定義を確認し、画像保存の容量と保存期間を事前に計画しなければならない。そうでなければ後になってストレージコストが膨らみやすい。

第四の課題は導入スケジュールとサンプル準備である。AIモデルは訓練と検証のために一定数の欠陥サンプルを必要とし、欠陥サンプルの不足はよくある障壁となる。現実的な方法は、まずルールと軽量モデルの併用で稼働を開始し、運用しながらサンプルを蓄積してモデルを反復させることであり、サンプルが揃うまで待ってから着手するのではない。

コスト構造としては、主に四つの部分がある。カメラ、レンズ、照明、演算ユニットなどのハードウェア、ソフトウェアのライセンス、統合実装、そして継続的な保守である。具体的な投資額は検査精度とライン数によって大きく変わるため、まず単一ステーションで小規模に検証してから展開を広げるべきだ。

5. 適合と不適合の境界はどこにあるか

適するシーンは、ラインのタクトが安定し、ワークの品種が比較的固定され、入荷材が一定程度そろい、欠陥が主に表面外観の類型で、参照できる明確な合否基準がある場合である。こうした条件では、判定の一致性におけるAIビジョンの優位性が明確で、データのトレーサビリティも実現しやすい。

慎重に評価すべきシーンは、強反射または鏡面状の溶接部、ワークの熱変形が大きく溶接位置がずれる場合、切替が頻繁な多品種少量生産、欠陥サンプルが長期的に不足する場合である。これらのケースでは、照明と位置決めへの工学的投資を増やすか、まず判定支援と人による確認を併用する形で移行すべきだ。

直接の置き換えに適さないシーンは、内部欠陥の検査と、耐圧溶接部の最終合否判定である。これらの工程は関連規格に基づく非破壊検査が依然として必要であり、AIビジョンの結論はプロセス監視の参考にとどまり、単独でリリースの根拠とすることはできない。

ERP時代から数十年にわたり事業を展開し、120万社の顧客にサービスを提供し、国内外の市場で数千万台の端末を導入してきた産業ソフトウェアおよびスマートマニファクチャリングのベンダーは、こうしたソリューションを進める際に、ビジョン検査をMESの品質モジュールと接続し、欠陥データが単独ステーションの判定にとどまらず、真に品質の閉ループへ入るようにするのが一般的である。選定では、「データが実際に使えるかどうか」を厳格な評価基準とする価値がある。

分野: AI画像認識百科