ナレッジセンター
目次

マシンビジョンとAI外観検査の違いと選定ロジック

生産ラインにビジョン能力を導入しようとすると、企業はマシンビジョンとAI外観検査という二つの用語にしばしば戸惑う。従来のソリューションでは能力が足りないのではないか、AIのソリューションでは既存ラインに合わないのではないか、という両方の心配を抱えるのだ。両者は対立する二つの体系ではなく、同じ目標へ向かう二つの技術経路であり、それぞれに適用シーンがある。違いを明確にし、選定の論理を整理することが、投資の無駄を避ける第一歩である。

1. 技術原理における本質的な違い

マシンビジョンは通常、固定されたルールと従来の画像処理アルゴリズムに基づくビジョンシステムを指す。その動作方法は、検査ロジックをプログラムに直接書き込むことにある。例えば濃淡しきい値で文字の有無を判定し、エッジ検出と幾何フィッティングで寸法を計算し、テンプレートマッチングで位置と有無を検証する。利点は決定性が高く、説明可能で、演算コストが低く、応答が速いことである。エンジニアはなぜその結果を良品と判定したのかを明確に説明でき、ライン上でパラメータを繰り返し再調整することも容易だ。

これに対しAI外観検査は、画像理解にディープラーニングを導入する。人手でルールを列挙することに依存せず、大量のアノテーション済みサンプルから特徴を学習するため、形態が複雑でルールを列挙しにくいタスクに適する。例えば外観欠陥の分類、文字認識、複雑なシーンにおける物体認識などだ。利点は、ルールを言葉にできない問題に対する汎化性能の高さであり、その代償としてサンプル、訓練、演算を必要とし、結果は信頼度スコアとして提示されることが多く、説明可能性は比較的低い。

合理的な理解は、両者が代替ではなく補完の関係にあり、成熟したソリューションは通常両者を組み合わせるというものだ。ルールで安定性を確保できる環は従来アルゴリズムを用い、ルールが書けず形態が変化する環はディープラーニングに任せる。

2. 実際のタスクでそれぞれ何が得意か

検証可能な観点から分解すると、マシンビジョンはいくつかのタスク類型が得意である。第一は寸法測定で、長さ、径、間隔を高精度に比較し、安定性も良好だ。第二は有無と位置の判定で、部品が所定の位置にあるか、ずれていないかを確認する。第三は文字とバーコードの有無判定と計数である。これらのタスクに共通するのは、検査基準が明確で撮像が比較的制御しやすく、ルールで安定的にカバーできることだ。

AI外観検査は、それ自体が明確な境界を持つタスクをより得意とする。第一は外観欠陥の分類で、金属表面の傷、打痕、錆など、欠陥の形態が際限なく変化しルールを列挙しにくいものだ。第二は文字認識で、印刷文字から部分的にエッチングされた文字まで、フォント、遮蔽、背景の変化に対応する必要がある。第三は複雑な背景における物体認識と領域行動の理解で、例えば乱雑なシーンの中で特定の物体を位置決めすることである。

一つのラインに両方のタスク類型が存在する場合、例えば精密な寸法測定と不規則な表面欠陥の判定の両方が必要な場合は、それらを同じビジョンシステムに入れ、異なるアルゴリズムモジュールで役割を分担させるのが、より一般的でより経済的な選択である。

3. 選定を決めるいくつかの重要な次元

第一の次元は、検査対象をルールで定義できるかどうかである。検査項目が明示的な数値、位置、白黒の関係で記述できるなら、従来のマシンビジョンのほうが安定しており安価なことが多い。欠陥の形態が材料、工程、環境に依存して変化し続けるなら、AIビジョンの汎化性能のほうが価値を持つ。

第二の次元は、決定性への要求である。重要な工程では、説明可能で追跡可能、論理的に透明な結果が求められることがあり、従来アルゴリズムの判定根拠は監査者へ説明しやすい。外観欠陥のように結果が本質的に確率的なタスクでは、信頼度のしきい値管理とレビューの仕組みを併せて受け入れる必要がある。

第三の次元は、サンプルとデータの入手可能性である。AIビジョンはアノテーション済みサンプルに依存し、訓練と独立検証を支えられる十分な欠陥サンプルが機能の前提となる。欠陥が極端に希少でサンプルがほとんど集められない場合、AIでも安定した検出は難しく、その場合はルールや人手のレビューへ戻るほうがよい。

第四の次元は、タクトとコストである。従来のアルゴリズムは演算負荷が低く、極端に高速なラインに適する。ディープラーニングの推論には演算が必要で、高いタクトではエッジ演算ユニットが1回あたりの推論時間の予算を満たせるかを評価しなければならない。ハードウェア、ソフトウェア、実装、長期保守のコストを合わせて計算することのほうが、単価だけを比較するより現実的だ。

4. 導入におけるよくある誤解

よくある誤解の一つは、AIを万能薬とみなすことだ。ある企業がAIである欠陥クラスを解決したのを見て、同じ業界なら再現できると考え、照明、視点、サンプルの違いを無視してしまう。正しい方法は、自社の製品で現場の撮像検証を行うことである。

もう一つの誤解は、データの保守を管理せずにAIを導入することだ。サンプルは金型、材料、環境の変化とともにドリフトするため、モデルには定期的なサンプル補充と再訓練が必要である。稼働後は何もせずともよい一度きりの納品と捉えると、ほぼ必ず成果が低下する。

さらに別の誤解は、光学を過小評価することだ。多くのプロジェクトはアルゴリズムが弱いのではなく、光源の構成が不適切で撮像が不鮮明なために失敗している。まず撮像を解決し、その後にアルゴリズムを論じることは、ビジョンプロジェクトに共通する教訓である。

5. 自社の工程に基づく判断の枠組み

判断は三つのステップで進められる。第一に、検査すべきタスクを列挙し、どれがルールで定義可能で、どれが形態が変化するものかを印付けする。第二に、形態が変化するタスクについて現場での撮像評価を実施し、妥当なコストの光学条件下で欠陥を安定して撮像できるかを確認する。第三に、ルールで扱える部分は従来アルゴリズム、複雑な部分はAI、両者を一つのシステムに統合するという考え方でソリューションを構築し、サンプル、保守、応答速度について現実的な評価を行う。

マシンビジョンもAI外観検査も、高速で反復の多い工程における人の目の弱点を補うために存在する。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ベンダーも、ビジョンの選定ではタスクで分解し、撮像で検証し、コストで折り合うという実践的な道筋を支持している。すべてのシーンに最適なソリューションは存在せず、適合性を明確に計算してこそ、概念に振り回されずに済む。

分野: AI画像認識百科