ナレッジセンター
目次

AI外観検査におけるリアルタイム性と精度の両立

AI外観検査におけるリアルタイム性と精度の両立についての中心的な結論は、両者が排他的な二者択一の関係ではなく、工程のタクトと欠陥許容度に応じた層別設計が必要だという点にある。ラインが速いほど、撮像側とアルゴリズム側でトレードオフを行わざるを得ず、高精度な検査はオフラインレビューや抜き取りステーションに残すべきであり、単一のステーションでミクロン級の精度とミリ秒の応答を同時に達成しようと固執すべきではない。

1. リアルタイム性と精度は実際に何を争っているのか

リアルタイム性とは、トリガから撮像、判定結果の出力までの総時間を指し、通常はミリ秒で測定され、ラインのタクトと整合させなければならない。精度とは、システムが安定して認識できる最小の欠陥サイズと、誤判定率の水準を指す。両者は同じ資源を争う。画像の解像度が高く、アルゴリズムモデルが複雑であるほど精度は良くなるが、1フレームあたりの処理時間は長くなる。SMT実装ラインのタクトは数十ミリ秒しかないこともあり、そのステーションに高解像度の大規模モデルを押し込めば、フレーム落ちやライン速度の低下を招く。したがって工学的な実務では単点の極値を狙うのではなく、検査タスクを分割する。オンラインのステーションはタクトと再現率を確保し、オフラインのステーションは精度とレビューを確保する。

2. 技術原理と主要な能力はどのような定量化可能な指標に関わるか

ビジョン検査システムのリアルタイム性は、主に露光時間、画像伝送帯域、推論時間からなる。一般的な産業用カメラの解像度は500万から2000万画素で、グローバルシャッターの露光はマイクロ秒級に達する。伝送にはGigE VisionやUSB3 Visionのプロトコルを用い、ギガビットイーサネットの帯域には限りがあるため、高解像度・高フレームレートのシーンでは通常10ギガビットイーサネットやCoaXPressが必要になる。推論側では、GPUまたはエッジ推論ボックス上の軽量モデルで1フレーム10msから30msを達成でき、複雑なセグメンテーションモデルでは100msを超えることもある。精度側にはいくつかの厳しい指標がある。最小検出可能欠陥サイズ(しばしば画素分解能からミリメートルへ換算する)、過剰排除率と流出率、再現性である。業界では電子組立の外観欠陥を等級判定するためにIPC-A-610を参照することが多く、光学式の寸法測定では再現性とGR&Rに着目する。注意すべきは、画素分解能と実際に検出可能な精度は同じではないという点だ。サブピクセルのアルゴリズムはエッジの位置決めを改善できるが、レンズ歪みと光源の均一性に制約されるため、公称精度は現場で標準部品を用いて測定しなければならない。

3. 製造業のどの工程がこの両立を真に必要とするか

例えば、電子工場でコネクタの外観を検査し、1個あたり200msのタクトが要求され、ピンの曲がり、異物、傷といった欠陥を対象とする場合を想定する。方法は、オンラインのステーションに中解像度のカメラと軽量な分類モデルを用いてタクトを確保し、疑わしい部品はレビューステーションへ送って高解像度で再撮像して確認するというものだ。自動車部品メーカーの歯車表面検査では、欠陥は微妙だがタクトは比較的余裕があるため、単一ステーションで高解像度と多光源の時分割露光を用い、時間を犠牲にして精度を得られる。リチウム電池の電極塗布検査では、ウェブが広く速度も速いため、通常はラインセンサカメラとマルチコアの並列推論を用い、リアルタイムの負荷を複数のエッジ機器へ分散させる。これらのシーンに共通するのは、まずタクトを測定し、次に精度の上限を設定し、最後に撮像方案を選ぶという順序である。

4. 選定と導入で注意すべき頻出課題は何か

よくある課題はハードウェアの構成方法である。まず画素分解能を計算する。100mmの視野で0.1mmの欠陥を検出するには、少なくとも1000画素の有効解像度が必要で、さらに2倍から3倍の余裕を見る。光源はカメラ以上に安定性へ影響することが多く、高反射の部品では同軸照明や偏光を検討すべきだ。

第二の課題は既存ラインとの接続方法である。ビジョンシステムは通常、PLCのトリガ、IO信号、またはEthernetを通じてラインと連携し、判定結果はOPC-UAやMQTTでMESやSCADAへアップロードする。インタフェースのプロトコルは選定段階で確認し、後からゲートウェイを追加する事態を避けるべきだ。

第三の課題は導入スケジュールである。単一ステーションのビジョンプロジェクトは通常、照明テストから安定稼働まで数週間から数か月かかり、蓄積された欠陥サンプルの数に依存する。サンプルが不足するとモデルの汎化が悪く、過剰排除率が高くなりやすい。

第四の課題はよくある誤解に関わる。解像度は高いほど常に良いと考えるのは典型的な誤解だ。高解像度はデータ量を増やし処理時間を長くし、無関係なテクスチャを増幅して誤判定を招くことがある。もう一つの誤解は周囲光の変化を無視することだ。ライン照明の変動は精度の安定性を直接低下させる。

第五の課題はコスト構造である。主にカメラ、レンズ、照明、演算ハードウェア、アルゴリズムのライセンス、現場での立ち上げ調整の人件費にかかる。見積は構成によって大きく変わるため、工程の優先度に応じた段階的な投資を勧める。

5. このアプローチが適する工程と適さないシーン

タクトが安定し、入荷材が一定程度そろい、欠陥定義が明確な工程に適する。電子組立の外観、自動車部品の寸法と表面、包装の印刷文字の検証などだ。強反射で変形が大きく欠陥サンプルが極端に少ないシーンには適さず、照明方案の追加評価とサンプル収集期間が必要になる。ミクロン級の計測とミリ秒のタクトを同じステーションに押し込むケースにも適さず、オンラインの選別とオフラインの精密判定に分けるべきだ。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、数千万台の端末を導入してきたベンダーの産業的な蓄積が示すのは、ビジョン検査の導入成果はアルゴリズムのパラメータ以上に、工程の理解と現場での立ち上げ調整にかかっているということだ。選定ではタクトと欠陥許容度を先に尋ね、精度はその後に尋ねるべきであり、順序を逆にすると手戻りが生じやすい。

分野: AI画像認識百科