ナレッジセンター
目次

AI外観認識と産業用ロボットの連携

AI外観認識と産業用ロボットの連携とは、要するにロボットに「目」と「判断力」を持たせることであり、教示された経路を繰り返すだけだったアームが、対象物を識別し、位置決めし、検証し、さらにはずれを補正できるようになることである。この連携はロボットの横にカメラを取り付けるだけのものではない。ビジョンガイド、インライン検査、結果のフィードバックによってループを閉じ、搬入・搬出、組立、仕分け、検査の各工程で、ロボットが投入部品の実際の状態に合わせて動作を調整できるようにする。実際の成果は三つの厳しい条件にかかっている。精度のマッチング、タクトタイムのマッチング、リアルタイム通信である。どれか一つが欠ければ、連携は「それぞれが勝手に動く二つのシステム」に格下げされてしまう。

1. AI外観認識と産業用ロボットの連携が解決する課題

従来の産業用ロボットは教示された軌道を実行する。投入部品の位置がわずかにずれるだけで把持に失敗し、機種や材質が変わればふつうは教示し直しになる。AI外観認識を組み合わせると、ロボットは動く前に「見る」。カメラが画像を取得し、アルゴリズムが対象物のクラス、姿勢、良否判定を出力し、その座標または判定結果が通信リンクを通じてロボットコントローラへ送られ、ロボットは把持点を補正したり仕分けを行ったりする。これが解決する中心的な課題は、投入部品のばらつき、頻繁な段取り替え、目視検査による疲労である。

ここでは二つのレベルを区別する必要がある。平面座標と回転角を出力し、パレタイズや平面ピッキングに適する2Dビジョンガイドと、6自由度の姿勢を出力し、ランダムビンピッキングや組立の位置合わせに適する3Dビジョンガイドである。AIの付加価値は、反射、弱いテクスチャ、混流ラインに対する頑健性にあり、従来のテンプレートマッチングが破綻する場面を、深層学習のセグメンテーションと姿勢推定で補える。

2. 技術原理と主要能力:どの指標が検証できるか

典型的な連携システムは、光源、産業用カメラ、レンズ、ビジョンコントローラ(またはGPUを搭載した産業用PC)、AIモデル、通信モジュール、そしてロボット本体で構成される。主要能力はいくつかのパラメータで判断する。ビジョンの位置決め精度は、通常ロボットの繰り返し位置決め精度の3分の1から2分の1が要求される。ロボットの繰り返し精度が±0.02mmなら、ビジョンガイドは±0.01mm程度が望ましい。検査タクトはラインのCTに合わせる必要があり、単フレームのビジョン処理は一般に数十ミリ秒から数百ミリ秒である。通信は主にProfinet、EtherNet/IP、OPC-UAが使われ、場合によってはTCP/IPソケットで直接接続する。リアルタイム性の要求が厳しい把持タスクでは、バス経由のトリガが必要になる。

AIモデルについては、欠陥検出にはセマンティックセグメンテーションや異常検知(教師なし)が、位置決めとピッキングにはキーポイント検出とPnPによる姿勢求解がよく使われる。学習データは数百枚から数千枚で、欠陥の種類と照明の安定性によって変わる。参照規格としてはIPC-A-610(電子組立品の受入基準)、ISO 9001(品質マネジメントシステム)、IEC 61340(静電気放電)があり、ビジョンシステムの解像度は、最小欠陥が画像上で最低3~5ピクセルを占めるように選ぶ必要がある。

3. 製造業の典型的な適用場面はどの工程か

電子工場のSMT後工程では、ロボットがトレイからコネクタを取り出し、PCBに挿入する。トレイ内の投入部品は±0.5mmの範囲でばらつくため、教示位置は当てにならない。2Dビジョンで姿勢補正を追加すると、ロボットはビジョンが出力したXYと角度のオフセットに従って把持し、挿入前に下向きカメラで最終的な位置合わせを確認する。このような用途はタクトに敏感で、ビジョン処理は100ms未満に収める必要がある。

自動車部品メーカーがエンジンシリンダーブロックをラインに投入する場合を想定する。ワークはAGVでステーションに運ばれ、位置は数ミリずれる。3Dビジョンがブロック上の位置決め穴を識別し、6自由度の姿勢を出力してロボットの搬送をガイドする。ブロック表面には油分と反射があり、反射対策の構造化光やステレオ方式、さらに偏光照明が必要になる。

もう一つの例は金属部品の表面欠陥検査である。ロボットがワークを保持してカメラの前を所定の経路で移動し、ビジョンシステムが複数点から撮影、AIモデルが傷や巣を判定する。この「ロボットがカメラを運ぶ」方式は大型ワークに適し、クランプの繰り返しを避けられる。限界はタクトにあり、ロボットの移動時間がCTに算入されるため、高速ラインではなく検査ステーションに向く。

4. 選定と導入で注意すべき点

ハードウェア構成では、まず精度を決め、その次にカメラ解像度を決める。視野を画素数で割ると1ピクセル当たりの精度が出る。最低でも3倍の余裕を残したい。画像の安定性はカメラよりも照明に左右されることが多く、反射のある部品には拡散光や同軸光、テクスチャの弱い部品には低角度照明を使う。ロボット側では、コントローラが外部座標オフセットのインタフェースに対応しているか、通信周期が把持サイクルに間に合うかを確認する。

統合の方法は三つある。ビジョンコントローラがフィールドバスでロボットコントローラと直接座標データをやり取りする方法、PLCを経由してPLCからロボットへ渡す方法、産業用PCでビジョンソフトを動かしソケットでロボットと通信する方法である。リアルタイムのピッキングにはフィールドバス直接接続を優先し、柔軟なラインではPLC中継のほうがロジックの組み立てが容易になる。

導入は通常、現場での照明評価、カメラと照明の選定とサンプル試作、サンプル収集とモデル学習、オフラインでの精度検証、ライン統合とキャリブレーション(ハンドアイキャリブレーションが要点で、校正誤差はそのままシステム誤差になる)、その後の小ロット試運転という順に進む。よくある失敗は、カメラ解像度だけを見て照明を無視すること、あるいはハンドアイキャリブレーションを終えたものの再現性を検証せず、稼働後に把持ミスが散発することである。

コストは大きく、ハードウェア(カメラ、レンズ、照明、産業用PCまたはビジョンコントローラ)、ソフトウェア(アルゴリズムのライセンスまたは開発)、統合と調整(キャリブレーション、結合調整、試運転)に分かれる。統合と調整は過小評価されやすく、複雑な用途では調整期間がハードウェアの調達リードタイムを超えることもある。

5. 向く工程と向かない場面

向く用途は、投入位置が規則的にずれる搬入・搬出、混流ラインの仕分け、目視検査の負荷が高く欠陥に画像特徴がある検査工程、組立前に姿勢確認が必要な位置合わせ工程である。前提条件は、ラインのタクトが安定していること、照明を制御できること、投入部品のばらつきがビジョンアルゴリズムの対応範囲に収まることである。

向かない、または追加評価が必要なのは、反射が強く変形が大きい、あるいは油分の多いワークで撮像が不安定な場合(まず照明の試作が必要)、毎分数百個のような超高速ピッキング(ビジョン処理と通信遅延がボトルネックになり得る)、不良サンプルが極端に少なく模擬もできない場合(AIの学習データが不足し、従来ビジョンや抜き取りのほうが現実的)である。加えて、ロボット自体の精度が不足していれば、ビジョンガイドの精度をいくら上げても結果は出ない。まずロボットの繰り返し位置決め精度を評価すべきである。

ERP時代から数十年にわたり事業を続け、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーの業界経験から見ると、ビジョンとロボットの連携は単機のステーションからライン全体の閉ループへと移りつつある。ただし導入の速さは、個々の工程の精度、タクト、撮像条件に依存する。万能の答えはなく、工程ごとに検証された答えがあるだけである。

分野: AI画像認識百科