ナレッジセンター
目次

マシンビジョンとAI外観検査の核心的な違い

マシンビジョンとAI外観検査の核心的な違いはこうです。マシンビジョンはルールで判定し、あらかじめ設定したアルゴリズムと特徴抽出で位置決め、測定、検査を行います。AI外観検査はデータから判定を学習し、人手で定義した特徴量をディープラーニングモデルで置き換え、形状が変化するシナリオや不規則な欠陥に対応します。前者は決定性とトレーサビリティが高く、後者は汎化性が高く導入障壁が低いものの、サンプルの裏づけが必要です。両者は代替関係ではなく、ラインでは併用されることが多いです。

1. マシンビジョンとAI外観検査はどこが違うのか

マシンビジョンは数十年にわたり産業で使われており、中核となる考え方は人がルールを書くことです。例えばねじ穴を検査する場合、エンジニアはまず、直径8±0.2mm、中心のずれ0.1mm以内の円形エッジを探すようシステムに指示し、システムはその論理で画像処理アルゴリズムを実行し、適合する部品を合格とします。判定の根拠は定量化可能で、幾何特徴、グレースケール閾値、テンプレートマッチングです。パラメータを調整すれば再現性は良く、同じロットのワークでは結果はほぼ同一になります。

AI外観検査は別の道を進みます。人が書いたルールに依存せず、多数のラベル付き画像で畳み込みニューラルネットワークを学習し、良品がどのような見た目で欠陥がどのような見た目かをモデルに要約させます。傷の深さがばらつく場合や、成形品のバリ形状が毎回異なる場合、従来のマシンビジョンは1組の閾値でカバーするのが難しく、AIモデルは確率的な判定を出せます。代償はサンプルと学習が必要なこと、そして出力が確定値ではなく確率であることを受け入れる必要があることです。

2. 技術原理と主要能力はどう違うのか

マシンビジョンの能力は、寸法測定、位置誘導、文字読み取り、ルールが明確な表面検査が中心です。典型的なパラメータは解像度(産業用カメラは一般に500万〜2000万画素)、精度(テレセントリックレンズでミクロン級の測定)、タクト(露光とアルゴリズム時間に依存し、ルールベースのアルゴリズムは通常数十ミリ秒)です。光源設計に依存し、適切なリング光、バック光、同軸光があって初めて画質が確保されます。通信は主にGigE VisionとUSB3 Visionを使い、PLC連携にはProfinetやEtherCATなどの産業プロトコルを用います。

AI外観検査の能力は、分類、物体検出、セマンティックセグメンテーションです。出力は硬い合否判定ではなく信頼度スコアで、実務ではその上に閾値を設けます。解像度の要求は必ずしも高くありませんが、サンプルの多様性が要求されます。1つの欠陥クラスが異なる角度、照明、ロットを網羅しなければなりません。学習と推論は分けて配備でき、推論はGPUまたはNPUを備えたエッジボックスで行い、モデルサイズに応じて1フレーム数ミリ秒から数十ミリ秒かかります。MESやSCADAとの連携は通常、OPC-UAやRESTfulインターフェースで結果と画像を渡します。

3. 製造業ではそれぞれどのような場面で使われるのか

自動車部品サプライヤーのブレーキパッド外観検査を例にします。従来のマシンビジョンは寸法測定、穴位置のずれ、文字OCRを扱え、ルールが明確で境界も確定しています。しかし摩擦材のテクスチャ変動、わずかな色むら、パッド表面の微細な亀裂はルールで列挙するのが難しく、AI外観検査の方が適しています。良品と不良品の画像を数百枚で分類器を学習し、タクトが安定していればオンラインで判定できます。

電子機器工場のSMT実装後のAOIレビューを例にします。マシンビジョンははんだ接合部の位置とずれの計算を担い、AI外観検査は冷間はんだの疑い、はんだブリッジ、マンハッタンといった形状が変化する欠陥を切り分けて過検出を減らします。ここでよく使われる手法は2段階のカスケードで、ルールベースのアルゴリズムが粗く選別し、AIモデルが精密に判定することで、タクトと精度を両立します。

もう1つのシナリオは組立のポカヨケです。部品の色、形状、向きが正しいかは、姿勢が固定されたワークならテンプレートマッチングで解決できます。投入姿勢がランダムで部品が積み重ねで供給される場合は、AIの物体検出と姿勢推定が必要です。こうした用途は照明の一貫性に高い要求があり、高反射の金属部品では光源の追加評価が必要です。

4. 選定と導入で確定させるべき論点は何か

よく聞かれる最初の質問は、自社ラインではどちらを採るべきかという点です。判断基準は単純です。欠陥形状を数文で書き下せるか、十分なサンプルがあるか。ルールを明確に書けて入荷の安定性が良い場合はマシンビジョンの方が安定します。欠陥形状を記述できずロットのばらつきが大きい場合はAIを検討します。AIの導入自体を目的にしてはいけません。

2つ目はハードウェア構成です。マシンビジョンはレンズと光源で決まり、AIビジョンは計算とサンプルで決まります。AI推論をラインのエッジで動かす場合はGPUまたはNPUの有無を確認し、冷却と防塵は工場の環境条件に合わせる必要があります。カメラ解像度は高ければよいわけではなく、十分であればよく、高すぎるとタクトを悪化させます。

3つ目は連携経路です。どちらも最終的にはライン制御層に接続します。マシンビジョンは一般にI/OトリガとPLC信号を使い、AI外観検査はその上にOPC-UAやデータベース書き込みによる結果フィードバック層をMESへ追加します。導入前にトリガの順序、NG排除のロジック、画像の保存方針を決めておかないと、稼働後に議論になります。

4つ目は期間とコスト構造です。ルールベースのビジョン案件は短期間で、コストは主に光源とレンズの選定、現場試運転にあります。AI案件はサンプル収集とラベリングのために長引き、不良画像の収集に事前に時間を確保しなければなりません。よくある誤りは数十枚の画像で学習することで、汎化が不足し稼働後に過検出率が下がりません。

5つ目は環境の境界です。強い反射、大きな歪み、油汚れの下では、どちらの技術も追加評価が必要です。AIは万能薬ではなく、サンプルにない欠陥種別は依然として見逃します。

5. この判断はどのシナリオに向き、どれが向かないか

向くのは、タクトが安定し、入荷の安定性が良く、欠陥を画像上で特定できる工程です。3C構造部品の外観、自動車部品の表面検査、電子機器組立後のAOIレビュー、包装の文字とラベルの検証などが該当します。こうした案件ではマシンビジョンとAI外観検査を組み合わせ、ルールを基線としてAIが隙間を埋める構成が取れます。

そのまま適用するのに向かないのは、投入姿勢が完全にランダムで治具の制約がない場合、収集できないほど欠陥サンプルが少ない場合、強い反射や多量の粉塵で撮像が不安定な場合、10ミリ秒未満のタクトを要する超高速検査です。こうした場合はまず撮像と作業条件を整えてから、アルゴリズムの選定を論じます。

ERP時代から数十年にわたり現場に携わり、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、国内・海外市場をカバーしてきたベンダーの業界経験が示すのは、ラインのビジョンソリューションの成否はアルゴリズムよりも、光源、トリガ、サンプル、現場条件といった地味な作業にあることが多いという点です。選定時に境界条件を明確に問う方が、モデルのパラメータを比較するより役に立ちます。

分野: AI画像認識百科