ナレッジセンター
目次

ディープラーニングによる製品外観欠陥検出

ディープラーニングによる製品外観欠陥検出は、本質的に人手の目視検査を畳み込みニューラルネットワークのモデルで置き換え、傷、汚れ、欠肉、変形、色むらといった外観異常の自動判定をライン上で完結させます。解決するのは、欠陥が見えるかどうかではなく、境界が曖昧な欠陥を安定して再現性をもって判定できるかどうかです。タクトが安定し入荷の安定性が良い工程に向き、高反射や高歪みの部品は別途評価が必要です。

1. ディープラーニングによる外観欠陥検出は何を解決するのか

従来のマシンビジョンはルールベースのアルゴリズムに依存し、グレースケール閾値、エッジ抽出、テンプレートマッチングで欠陥を判定します。欠陥形状が固定され背景がきれいな場合はよく機能しますが、傷の方向がばらつき、汚れの面積が異なり、成形品のウォーターマークの深さがランダムになると、ルールで列挙するのは困難です。段取り替えが頻繁な場合、エンジニアはルールを書き直し続けて破綻し、流出と過検出が同時に増えます。

ディープラーニングは別のアプローチを取ります。ルールを書かず、多数のラベル付きサンプルから欠陥の形状分布をモデルに学習させます。出力はグレースケール値が閾値を超えたかどうかではなく、この領域が欠陥らしく見えるかどうかです。そのため境界が曖昧で形状が変化する表面欠陥に本質的に適しており、段取り替えの主要な作業をアルゴリズムの書き直しからサンプルの追加へ移します。

2. どの検証可能な指標が技術原理と主要能力を表すのか

主流の方式は、教師ありのセマンティックセグメンテーションまたは物体検出ネットワークと、高解像度の産業用カメラによる撮像の組み合わせです。いくつかの検証可能なパラメータ軸に注目すべきです。

解像度については、微細な欠陥を検出するには1画素あたりの物理サイズを十分小さくする必要があります。一般的な実務では欠陥が画像上で少なくとも十数画素を占めるようにし、そこからカメラ解像度とレンズ視野を逆算します。ラインのタクトは露光と処理時間の予算を決め、オンライン検査では通常1個あたり数百ミリ秒での判定が必要で、複雑なモデルにはGPUまたはエッジ推論ボックスが必要です。

撮像の段階は過小評価されがちです。同軸光、ドーム光、低角暗視野光の選択が欠陥のコントラストを直接決め、偏光フィルターは金属部品の反射を抑えられます。電子機器の検査ステーションではIEC 61340に基づくESD対策も考慮すべきで、静電気で吸着した粉塵は偽の欠陥を生みます。

連携については、検査システムは通常OPC-UAやTCP/IPでPLCとMESに接続し、判定、欠陥画像、座標データを返してトレーサビリティを確保します。一部のソリューションはIPC-A-610のような合否基準の等級ロジックに従い、過検出と流出のバランス点を設定します。

3. 製造業ではどの工程ですでに使われているのか

電子機器工場のコネクタ外観検査を例にします。SMT実装後、組立前の位置に置かれ、検査項目には端子の変形、樹脂ハウジングのバリ、残留異物が含まれます。こうした欠陥形状はランダムで、ルールベースのアルゴリズムは過検出が多く出ます。数百の欠陥サンプルで学習した後、ディープラーニングのソリューションは過検出を受け入れられる範囲に収め、判定をステーション単位でMESへ返します。

自動車部品サプライヤーの鋳物表面検査を例にします。機械加工と塗装の間に置かれ、巣穴、亀裂、打痕を監視します。鋳物表面は粗くテクスチャの干渉が強いため、亀裂を浮かび上がらせる暗視野照明が必要で、セグメンテーションネットワークが実際の亀裂と金型テクスチャを区別します。こうした案件はサンプルのバランスが要求され、正常サンプルが欠陥よりはるかに多いため、データ拡張が必要です。

成形工場の化粧部品の色むらとフローマーク検査を例にします。難しさは照明の一貫性にあり、光源の角度を固定しホワイトバランスを校正しなければ、モデルは欠陥ではなく照明の変動を学習してしまいます。

4. 選定と導入で繰り返し問われる論点は何か

最もよく聞かれるのは、欠陥サンプルがどれくらい必要かという点です。万能の答えはありませんが、目安の範囲は参考になります。欠陥種別ごとに数十から数百を開始点とし、形状のばらつきが大きい場合はさらに多く、そして負例(紛らわしい正常テクスチャ)も学習に参加させなければ過検出は制御できません。

2つ目によく聞かれるのはハードウェアの構成方法です。最小欠陥サイズからカメラ解像度を導き、表面材質で光源を選び、タクトとモデル複雑度で計算資源を決めます。オンラインの高速シナリオは通常、専用の推論ユニットが必要で、産業用PCのCPUでセグメンテーションネットワークが動くことを期待してはいけません。

3つ目は連携経路です。PLCの通信プロトコル、MESのインターフェース項目、判定の保存形式、欠陥画像をトレーサビリティのために保存する必要があるかを事前に確認します。画像の保存量は小さくないため、帯域と容量を前もって計算します。

4つ目によくある誤りは、ディープラーニングを万能鍵と見なすことです。入荷の安定性が悪く照明変動の大きいラインでは、強いモデルでも苦戦します。撮像の安定性が前提条件です。もう1つの誤りは、学習後に管理を止めることです。材料やロットが変わると分布がずれるため、サンプルを定期的に見直して追加学習を行う必要があります。

導入の順序としては、通常、撮像検証、サンプル収集とラベリング、モデルの学習と調整、ラインでの試運転、過検出と流出のレビュー、そして稼働と凍結という流れです。撮像検証の段階をしっかり行わないと、その後のすべてが手戻りになります。

5. どの工程が向き、どのシナリオが向かないか

向くのは、タクトが安定し、入荷ロットの安定性が良く、欠陥形状に一定のランダム性はあるものの撮像コントラストが確保できる工程です。電子部品の外観、機械加工面、化粧成形品、印刷包装の表面などが該当します。こうした案件ではディープラーニングの便益は主に過検出の低減とルール保守の削減に現れます。

向かない、あるいは慎重な評価が必要なのは、高反射の金属鏡面、曲率が高く歪む部品、欠陥と正常テクスチャが撮像上ほとんど区別できない材料、1個あたりの判定予算が数十ミリ秒しかない超高速ラインです。こうした場合はまず撮像を直すか、ルールベースのアルゴリズムと人手サンプリングに戻します。さらに、長期的に欠陥サンプルが極端に少なく蓄積できない場合、教師ありのアプローチは実施が難しく、教師なしまたは半教師ありの路線を評価する必要があります。

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産業実務が示すのは、外観検査の成否はモデルよりも、撮像コンセプトとサンプルエンジニアリングという地味な作業にあることが多いという点です。

分野: AI画像認識百科