ナレッジセンター
目次

新エネルギー電池向けAI外観検査ソリューション

新エネルギー電池向けAI外観検査ソリューションの核心は、産業用カメラと深層学習アルゴリズムで目視検査を代替し、電極塗工、巻回・積層、セル組立、モジュールPACKといった工程でインライン全数検査を実現し、欠陥判定を「人の目の抜き取り」から「機械による全数検査とデータ追跡」へ変えることにある。解決するのは見えるかどうかではなく、正確に見えるか、安定して判定できるか、データで遡及できるかである。

1. 新エネルギー電池向けAI外観検査ソリューションが解決する課題

リチウム電池製造には一つの特徴がある。欠陥のコストは後工程へ流れるほど増幅する。電極塗工の微小な傷や黒点が、巻回工程では内部短絡のリスクになり得る。積層の位置ずれが公差を外れれば、セルの一貫性に直結する。従来の方法は目視検査と抜き取りで、三つの問題がある。第一に、高速ラインでは人の目の分解能が足りない。塗工ラインの速度は毎分数十メートルに達しやすく、目で追えない。第二に、判定基準がぶれる。シフトが違えば同じバッチの電極でも判定が変わる。第三に、データが残らないため、顧客クレームの後に特定のロール番号や設備まで遡及しにくい。

AI外観検査ソリューションが解決するのはまさにこの三点である。全数検査のカバー率、判定の一貫性、追跡可能な欠陥データ。欠陥を種類(傷、黒点、塗工抜け、しわ、タブ位置ずれなど)ごとに分類し、セルごと、電極ロールごとに検査ファイルを構築してMESのバッチ情報に紐付ける。

2. 技術原理と主要能力

典型的な電池AI外観検査システムは、撮像ユニット、光源、演算プラットフォーム、アルゴリズムモデルで構成される。撮像は、電極塗工のような連続ウェブ検査にはラインセンサカメラを、積層、タブ、モジュールのような離散ステーションにはエリアセンサカメラを使う。解像度は500万~1200万画素が一般的で、歪みを抑えるためにテレセントリックレンズを用いる。照明は同軸、バー、ドームを組み合わせて傷のコントラストを背景から分離する。リチウム電極は反射が強く、照明方式がカメラ選定以上に成否を左右することが多い。

アルゴリズム層では、深層学習の分類・セグメンテーションモデルが欠陥認識を担い、従来のビジョンアルゴリズムが寸法測定と位置合わせを担う。注目すべき指標は次のとおり。検査精度は通常、最小欠陥が0.1mmレベルで認識できることを要求され、これは工程によって変わる。検査タクトはラインに合わせる必要があり、巻回機は通常1セル0.5~1秒である。誤判定率(過剰検出率)は現場で最も敏感な指標で、過剰検出が多いとライン停止が頻発し、ソリューションは定着しない。

統合面では、設備はOPC-UA、Modbus TCP、あるいはMESインタフェース経由で検査結果をアップロードし、PLCと連携してNG品を排除する。この論理はSMTで使われるIPC-A-610の外観基準と並行するが、リチウム電池には統一された業界外観規格がまだ整備途上で、多くは企業独自の社内規格を用いている。

3. 製造業における典型的な適用場面

パワー電池セル工場が塗工工程にラインセンサカメラを設置し、電極表面を検査する場合を想定する。着目するのは傷、黒点、エッジの塗工欠けで、結果をメートル位置で記録するため、後工程のスリットで問題区間を特定できる。これはリチウム電池製造で最も成熟したAIビジョン適用の一つである。

民生用電池を製造する電子工場が、積層工程にエリアセンサカメラを設置して電極の位置合わせを検査する場合を想定する。正極と負極、セパレータの相対位置ずれを測定し、公差を外れたらアラームとライン停止を発報する。このステーションは高精度が要求される一方、タクトの要求は比較的緩い。

モジュールPACKセクションもよくある適用先である。バスバーの溶接品質、端子外観、モジュール寸法、ラベル文字認識(OCR)がいずれもここに属する。自動車部品会社が電池パックのハウジングを製造する場合、ビジョンで溶接外観とシーラント塗布軌跡を検査するが、論理は同様である。

4. 選定と導入で注意すべき点

よくある最初の質問はハードウェアの構成方法である。画素数が多ければよいというものではなく、欠陥サイズと視野の比率を見る。200mmの視野で0.1mmの欠陥を認識するなら理論上2000万画素で足りるが、レンズの解像力と照明のコントラストも算入する必要があり、実際の選定では余裕を残す。ライン振動が大きいステーションでは、カメラ本体よりも剛性の高いカメラブラケットに投資する価値がある。

第二の質問は過剰検出率の抑制方法である。稼働初期はモデルに十分な良品サンプルが学習されておらず過剰検出が多いのが普通で、よく行われるのは「検出はするが排除しない」モードで一定期間人手の判定と並行運用し、データを蓄積してからしきい値を徐々に厳しくする方法である。設置直後に誤判定ゼロを期待するのは非現実的である。

第三の質問は既存システムとのインタフェースである。検査設備はデータをMESへ送る必要があるため、インタフェースプロトコル、データ項目、NG項目の追跡粒度(ロール単位、セル単位、モジュール単位)を導入前に確定しておかなければ、後からの変更はライン停止を伴う。

第四は導入期間である。単一ステーションの外観検査なら、設置調整から安定稼働まで通常数週間から数か月で、欠陥種類の複雑さとラインの協力度による。複数ステーションへ展開する場合はステーション数だけ期間が倍増する。

コスト構成は主に、ハードウェア(カメラ、レンズ、照明、産業用PCまたはエッジ演算ボックス)、ソフトウェアアルゴリズムのライセンス、統合実装、継続的なモデル保守に分かれる。継続保守は過小評価されやすく、ラインの段取り替えや投入ロットの変動がモデルの再調整を必要とすることがある。

5. 向く工程と向かない場面

向く場面は、ラインのタクトが安定し、投入部品のばらつきが小さく、欠陥に比較的明確な外観特徴がある工程である。電極表面検査、積層の位置合わせ、タブ外観、モジュール溶接、文字認識などが該当する。こうした場面ではサンプルが早く蓄積され、モデルも収束しやすい。

追加評価が必要な場面は、強反射の金属面、変形の大きい部品、欠陥の定義自体が曖昧なステーション(たとえば、軽微なしわがどの程度から不良か)である。こうした場合は照明と治具を特別に設計するか、ビジョン導入前に判定基準を明確に定量化しなければならない。

向きにくい場面は、速度が非常に低くロットが極小のパイロットラインで投資対効果が合わない場合、そして欠陥が完全に内部にあり外観に現れない検査需要で、これは他の検査手法に属する。

このソリューションの背景には、産業ビジョンがルールベースアルゴリズムから深層学習へ移行する大きな流れがある。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、国内外の市場をカバーしてきた産業ソフトウェアサービスプロバイダは、外観検査とMESやSCADAの接続について蓄積が深い。選定ではカメラのデータシートだけでなく、ベンダーのリチウム電池工程に対するモデルライブラリの厚みと現場調整の経験を見るべきである。

分野: AI画像認識百科