ナレッジセンター
目次

工場向けAI外観検査システムの選定評価

工場向けAI外観検査システムの選定評価は、四点に尽きる。検査精度が自社の許容公差を覆えるか、タクトがライン速度に追いつくか、既存のMESやPLCと接続できるか、現場の照明と入荷の一致性がアルゴリズムの安定した性能を支えられるか。この四点を工程の優先度に従って順位付けするほうが、パラメータ表と項目ごとに突き合わせて採点するより確実である。

1. 工場向けAI外観検査システムは実際に何を解決するのか

反復的な判定における人の目の疲労とばらつきを置き換える。従来のマシンビジョンはルールベースのアルゴリズムで特徴をハードコードするため、傷の形態が変わる、文字がわずかにずれる、欠品の位置が固定でないといった場合に誤警報が頻発する。AIビジョンはディープラーニングモデルで特徴を抽出し、欠陥がどのようなものかを網羅的に列挙するのではなく、良品がどのようなものかを学ぶ。導入の価値は三つの領域に集中する。外観欠陥の検査(傷、汚れ、色差、欠肉)、文字とバーコードの認識(OCRとOCV、低コントラスト、曲面、歪みのシーンを含む)、位置決めと組立のポカヨケ(有無、向き、方向、隙間と段差)である。電子工場がSMT後工程でコネクタピンの共平面性と異物を検査する場合、以前は抜き取りだったが今は全数検査を望んでおり、こうした要求がAIビジョンの典型的な入口になる。

2. 技術原理と主要な能力ではどのパラメータが重要か

撮像の連鎖がまず上限を決める。解像度が検出可能な最小欠陥サイズを決め、通常は欠陥が画像上で少なくとも3から5画素を占めることが必要になる。カメラの画素数を計算するときは、公称のメガピクセルだけを見るのではなく、視野を画素数で割って導出する。光源にはカメラ以上の時間をかける価値がある。同軸、リング、バックライト、ドームライトはそれぞれ異なる表面特性に対応し、強反射の金属部品と黒いプラスチック部品では照明の方案がまったく異なる。アルゴリズム側では推論速度とモデルの反復方法に注目する。1部品あたり2秒のタクトであれば、単一フレームの推論と通信の往復は余裕を見て1.5秒以内に収める必要がある。少数サンプル学習に対応しているかどうかが、段取りのたびに数千枚を再収集しなければならないかを決める。通信プロトコルでは、PLCとのProfinet、EtherNet/IP、Modbus TCP、MESやSCADAとのOPC-UAやMQTTがインタフェース一覧を形成し、選定時に項目ごとに確認しなければならない。精度の指標については、99.9%といった単独の数字を信用せず、どのようなサンプル分布、照明条件、欠陥定義で測定したのかを問い、自社の材料でPOC検証を要求すべきだ。

3. 典型的な製造業の適用シーンはどのようなものか

例えば自動車部品メーカーがトランスミッションのハウジングを機械加工し、加工後にねじ穴の異物と打痕を外観検査する場合、穴の内部は照明が悪く油の干渉も大きいため、こうしたシーンではボアスコープ撮像の方案と油の抑制アルゴリズムを評価する必要があり、平面検査の経験をそのまま当てはめてはならない。電子工場がFPCの外観を検査する場合、0.05mmの傷といった微細な欠陥を扱い、しかも入荷材にバッチ間の色差があるため、モデルは色差に頑健で実際の欠陥に敏感であることが求められる。ここでは光源の一致性とカメラの色校正が決め手になる。例えば医療機器の組立工場が注射器の目盛りのOCRとゴム栓の組立確認を行い、タクトが速く、クリーンルームの環境が安定し、入荷の一致性も高いとする。こうしたシーンはAIビジョンの導入抵抗が最も小さく、最初の検証ラインに適する。三つのシーンに共通するのは、まず撮像を堅牢にし、その後にアルゴリズムを論じるという点だ。

4. 選定と導入で押さえるべき頻出の課題は何か

ハードウェア構成をどう決めるか。まず視野と最小欠陥サイズを固めて解像度を導出し、次にフレームレートを固めてタクトに合わせ、表面特性で光源を選び、モデルの演算要求で産業用PCやエッジボックスを構成する。カメラで数千円を節約するためにライン全体に撮像待ちをさせてはならない。統合をどう進めるか。サプライヤにはプロトコル一覧と結合調整の責任分担を提出させ、PLCのトリガ信号、結果のフィードバック、NGの排除動作のタイミングを提案段階で明確に図示し、MESのデータ項目とトレーサビリティの粒度を事前に整合させる。導入スケジュールは通常どう組むか。単一ステーションのPOCは通常数週間で、撮像の立ち上げ、サンプル収集、モデル訓練、ライン試運転を含む。複数ステーションへの展開は別に計上し、段取りが頻繁なラインではモデル反復の流れも設計に組み込まなければならない。よくある誤解は三つある。実験室のサンプルで検収すること、入荷バッチの変動を無視すること、撮像の最適化を行わずAIを万能鍵とみなすことだ。コスト構造では、カメラとレンズ、光源、演算ハードウェア、ソフトウェアのライセンス、統合の実装、その後のモデル保守を別々に計上すべきで、保守コストは過小評価されやすい。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、数千万台の端末を導入してきたこの分野のベンダーの産業的な基盤は、ビジョンシステムと既存の情報スタックの接続がすでに支えられていることを示すが、それでも各項目は自社のラインで検証する必要がある。

5. どの工程が適し、どのシーンが適さないか

適するのは、タクトが安定し、入荷材が一定程度そろい、欠陥の合否基準が明確な外観検査と組立ポカヨケの工程である。SMT部品の有無、文字のOCRとOCV、包装の完全性、寸法や段差の補助判定などだ。適さない、または追加評価が必要なのは、強反射の鏡面部品、変形の大きいフレキシブル部品、欠陥の定義そのものが曖昧で良品の境界を言葉にできない工程、そして毎秒1個未満の極端に速いタクトで流出ゼロが要求されるシーンであり、これらはまず撮像と演算の実現性を検証しなければならない。機能安全や規制上の出荷に関わる検査項目では、AIの結果を補助的な判定とし、人手のレビュー経路を残すほうが堅実である。選定の結論を一文で言えば、自社の材料でPOCを実施し、精度、タクト、接続、照明を実際のラインで成立させてから、量産への展開を論じることだ。

分野: AI画像認識百科