ナレッジセンター
目次

溶接品質検査におけるAIビジョンの応用

溶接品質検査におけるAIビジョンの核心的な価値は、かつて人の目と経験で判断していた溶接外観の欠陥を、定量化・追跡可能な画像基準に変えることにある。主に溶接後の外観検査における目視を代替し、ブローホール、アンダーカット、融合不良、溶接の位置ずれ、スパッタ、割れといった表面欠陥を認識する。検査タクトは通常ライン速度に追随できるが、内部欠陥についてはX線や超音波などの非破壊検査を併用する必要がある。

1. 溶接検査でAIビジョンは何を解決するのか

溶接品質検査には長く構造的な矛盾があった。溶接士は勘で作業し、検査員は経験で判断する。強いアーク光、ヒューム、スパッタの中で長時間作業する人の目は集中力を急速に失い、シフトが進むほど見逃し率が上がる。薄板溶接や精密構造部品では特に顕著で、0.数mmのアンダーカットや直径1mm未満の気孔を、タクトに追われながら安定して読み取るのは難しい。

AI外観検査は外観欠陥の自動読み取りを解決する。産業用カメラで溶接後のビードを撮像し、深層学習モデルが溶接部をセグメンテーションし、欠陥種類を識別して位置とサイズを出力する。ルールのしきい値で判定する従来型マシンビジョンと異なり、深層学習モデルはビードのテクスチャ変動、不均一な反射、成形のばらつきに強く、ワークごとに手作業でパラメータを調整する必要がない。

ここで一つの境界を明確にしておく。AIビジョンが見るのは表面である。溶接内部の気孔、融合不良、スラグ巻き込みは外観がまったく正常に見えることがあり、こうした欠陥はRT(放射線透過試験)やUT(超音波探傷試験)でカバーしなければならない。したがってAIビジョンの役割は外観の全数検査であり、非破壊検査の代替ではない。

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AI溶接ビジョン検査システムは、産業用カメラとレンズ、光源、フレームグラバ、エッジ演算ユニット、欠陥検出モデル、ラインと接続する通信モジュールで構成される。

解像度は基準となるしきい値である。0.2mmレベルの欠陥を検出するには、溶接部の撮像精度を通常1ピクセル0.05~0.1mmに収める必要があり、カメラ解像度と視野を合わせなければならない。フレームレートはラインのタクトに追随できるかを決める。アーク溶接ロボットは一般に毎分数十センチで溶接するため、カメラのフレームレートは通常30fps以上、高速な場合はさらに高くする。

照明設計はカメラ以上に成否を左右することが多い。溶接表面は曲面で反射が強く、一般的なリング照明では白飛びや影が出やすい。業界では低角度バー照明や同軸照明でアンダーカットやビード形状を浮かび上がらせることが多く、アルミ合金やステンレスといった高反射材には波長を合わせた照明が必要である。

モデル能力としては、主流のソリューションは二つのことを行う。溶接部の抽出と、欠陥の分類・セグメンテーションである。出力は通常、欠陥クラス、バウンディングボックスまたはピクセル単位のマスク、信頼度を含む。検証可能な一般的指標には検出率、誤検出率、繰り返し位置決め精度があるが、これらの値はワークと照明条件に大きく依存し、場面から切り離した絶対値は信用できない。

統合面では、検査システムは一般にOPC-UA、Modbus TCP、デジタルIOでPLCやロボットコントローラと連携し、判定結果をMESへ書き込んで品質追跡に使える。欠陥画像と座標を溶接ロボットへ返してパラメータ補正に使うソリューションもあるが、これは閉ループ制御であり導入のハードルは明らかに高い。

3. 製造業のどの溶接工程で使えるか

導入が最も多いのは自動車部品である。自動車部品メーカーがシートフレームやシャシーブラケットをアーク溶接する場合、品種が多く小ロットの段取り替えが頻繁に発生し、従来型ビジョンではワークが変わるたびにパラメータを調整し直す必要がある。深層学習モデルは段取り替え時に少数の新サンプルでファインチューニングすれば、溶接位置や成形スタイルの違いに適応でき、タクトが安定し投入部品のばらつきが小さいラインに向く。

電子機器や精密構造部品ももう一つの場面である。電子工場が電池モジュールのバスバーをレーザ溶接する場合、溶接点は小さく数が多く、外観検査では一貫性に加えて溶け抜けやコールドウェルドの特徴を確認する必要がある。タクトが速く目視では全数検査がほぼ不可能なため、高速カメラを用いたAIビジョンによるインライン判定が合理的である。ただしレーザ溶接は反射が極端に強く、照明と露光の戦略を特別に設計しなければならない。

重量構造部品は慎重に扱うべきである。建設機械の厚板の多層盛り溶接は、溶接長が長く、変形が大きく、表面が粗いため撮像の一貫性が悪い。AIビジョンは、高信頼の全数検査ではなく、重要部位の抜き取り支援や溶接後の外観記録の全体把握に使うのが適切である。

4. 選定と導入で重点的に検討すべきよくある疑問

検査精度の設定方法。可能な限り高い値を追うのではなく、欠陥の合格基準から逆算する。0.5mmのアンダーカットを検出する必要があるなら、3~5倍の余裕を持つ撮像精度で足りる。むやみに解像度を積むとタクトが遅くなり、計算コストも上がる。

必要なハードウェア条件。要点はカメラ、レンズ、光源のマッチングと、安定したトリガ信号である。ライン振動、アークによるノイズ、ヒュームのレンズ付着は現場でよくある問題で、保護ハウジングやエアパージが必要になる。こうした補助設計は見落とされやすい。

導入期間と進め方。健全な進め方は次のとおりである。まず実際のワークをまとめて撮像して実現可能性を検証し、欠陥が画像上で判別できることを確認する。次にサンプルをラベリングしてモデルを学習する。続いてオフラインで誤検出と見逃しを検証する。最後に実機試運転を行い、難しいケースを追加し続ける。実現可能性の検証を飛ばしていきなり本番投入するプロジェクトは失敗率が非常に高い。

既存システムとの統合方法。判定結果をMESやSCADAへ流すのは標準的な要件で、OPC-UAがより一般的なプロトコルである。ロボットと連携してパラメータを調整する場合は、制御ループのリアルタイム性と安全境界を評価する必要があり、難易度は別格である。

コスト構成で見るべき点。主なコストはカメラと照明のハードウェア、演算ユニット、サンプルのラベリングとモデル調整の工数、現場での統合と調整である。サンプルのラベリングは最も見落とされやすく、欠陥サンプルが乏しい場合はデータ拡張も必要になる。

5. 適用できる場面と境界の判断

向く場面は、溶接外観欠陥に明確な合格基準があり、ラインのタクトが安定し、投入部品が安定し、欠陥が主に表面の特徴で、目視検査がボトルネックや見逃しリスクになっている工程である。薄板アーク溶接、レーザ溶接、抵抗スポット溶接の外観確認はいずれもこの範囲に入る。

向かない、または追加評価が必要なのは、照明を安定させられない強反射材、変形が大きく溶接位置が大きくずれるワーク、外観特徴のない内部欠陥が主体の場合、多品種極小ロットで段取りが頻繁すぎてサンプルが蓄積できない場合である。こうした場面でAIビジョンが使えないわけではないが、まず小サンプルでの実現可能性検証を行い、画像上で判別できることを確認してから導入を検討すべきである。

もう一つのよくある誤解は、AI外観検査は購入すれば自動的に良くなるというものだ。モデルはラインの新しいサンプルで継続的に改善する必要があり、照明は定期保守と清掃が必要で、合格基準は品質部門とすり合わせなければならない。一度きりのソフトウェア購入ではなく、運用保守を要する品質設備として扱って初めて、期待は妥当なものになる。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産業デジタル化の基盤は、製造現場のデジタル化の土台がしっかりしているほど、こうしたビジョンソリューションがMESやSCADAと円滑に接続できることを示している。ただし外観検査そのものの成否は、最終的には撮像品質とサンプル品質という二つの具体的な点にかかっている。

分野: AI画像認識百科