中小製造業にとって、AI外観検査の導入はアルゴリズムを買うこと以上に、検査基準、光学環境、計算基盤の配備、ラインのタクトという四つを揃えることである。この2年間、産業用カメラの価格低下、エッジ推論チップの成熟、国産AIビジョンプラットフォームがラベリング、訓練、導入を数日に短縮したことにより、年商数千万から数億元規模の製造業者も本格的に検討し始めた。かつてビジョンチームは大規模工場しか持てないものだったが、状況は変わった。
1. AI外観検査とは何か
AI外観検査は、産業用カメラやセンサーで製品画像を取得し、深層学習モデルによって外観不良、寸法偏差、組立の完全性、文字の可読性を判定し、OK/NG信号をラインのアクチュエータに出力する。従来のマシンビジョンとの違いは、従来のビジョンがグレースケールしきい値、エッジ検出、テンプレートマッチングといった手書きのルールに依存し、明確に定義された場面に適するのに対し、AIビジョンはサンプル訓練に依存し、境界が曖昧で形状が変動する不良(傷、汚れ、バリ、変色など)を扱える点にある。3C電子、自動車部品、リチウム電池、医薬品包装、金属プレスにおいて、AIビジョンはすでに外観検査、寸法検査、文字検査、組立ポカヨケをカバーしている。
2. 技術原理と主要な能力
実用的なAI外観検査システムは、通常四つの層からなる。第一は撮像である。産業用カメラ、レンズ、照明が不良を鮮明に捉えなければならず、アルゴリズム以上に撮像設計が成否を決めることが少なくない。第二はラベリングと訓練である。不良画像を分類、矩形指定、画素セグメンテーションして検出モデルを訓練する。第三は推論の配備である。モデルは産業用PC、エッジボックス、またはラインPLC脇の計算ハードウェアで動作し、結果を排除機構やアラームランプに出力する。第四はデータフィードバックである。ラインから出た新たな誤検出と見逃しを戻して、モデルを反復し続ける。
主要な能力はいくつかの指標で判断する。見逃し率、過剰検出率、1枚当たりの推論時間、切替時間である。見逃し率は流出リスクを、過剰検出率は良品廃棄のコストを、推論時間はラインのタクトに追従できるかを、切替時間は多品種少量生産が成立するかを決める。業界の一部のソリューションでは、ゼロから訓練するのではなく、事前訓練モデルと少数サンプルのファインチューニングによって、切替時間を数分にまで短縮している。
3. 製造現場における典型的な適用場面
コネクタを製造する電子工場を考える。端子の曲がりや欠落、ゴムコアのバリを2交替6人で目視検査しており、見逃しも時々発生する。AI外観検査を導入した後は、コンベア上にエリアセンサーカメラとリング照明を設置し、数百枚の不良画像でモデルを訓練し、推論結果でエアブロー排除を直接駆動する。ここでの難しさはアルゴリズムではなく、入荷材料の反射と端子間隔の狭さであり、光の角度を繰り返し調整する必要がある。
自動車部品会社がブレーキパッドの外観を検査する場合を考える。不良種類には割れ、角欠け、材料の混入、刻印のかすれが含まれる。こうした場面は過剰検出率に極めて敏感である。ブレーキパッドは安価ではなく、良品を廃棄するコストが大きいからである。通常の進め方は、一定期間シャドーモードで運用し、AIは記録のみで動作はせず、人手の判定と比較し、過剰検出率が許容範囲に下がってからラインと連動させる。
医薬品包装工場がバイアルのアルミキャップを検査する場合を考える。打栓が完全か、ゴム栓の欠落がないか、瓶に異物がないかを確認する。この業界はバッチのトレーサビリティ要件が厳しく、AIビジョンシステムは画像ごとの判定をバッチ番号に紐付けて保存し、後から監査できるようにしなければならない。こうした場面ではGMP関連のバリデーションも求められることが多く、選定時にはデータ出力や権限管理に対応しているかを確認すべきである。
4. 選定基準と導入のアドバイス
第一に、不良が撮像できることを確認する。既存ラインのカメラやスマートフォンのマクロ撮影で不良サンプルを一括して撮ってみる。画面上で人の目が判別できなければ、アルゴリズムにも判別できない。撮像設計が先であり、アルゴリズムから始めてはならない。
第二に、タクトと精度を算出する。1分間に何個流れるか、1個当たりの検査に何ミリ秒許されるか、最小の不良サイズは何画素か。これらの数値がカメラの解像度、レンズの視野、計算構成を直接決める。
第三に、少数サンプルのファインチューニングに対応したプラットフォームを優先する。中小企業の不良サンプルは数十から数百枚しかないことが多く、ゼロからの訓練は非現実的である。業界の一部のプラットフォームは事前訓練モデルと少数ラベルのファインチューニングを提供し、稼働までを1週間以内に短縮している。
第四に、配備は現場環境に合わなければならない。ライン脇に産業用PCを置くスペースがあるか、粉塵や油霧はどの程度か、IP67の保護が必要か、既存のPLCやMESに接続する必要があるか。こうしたエンジニアリングの細部が、アルゴリズムの指標以上にプロジェクトを頓挫させることが多い。
第五に、ライン連動の前にシャドーモードで運用する。どんなに成熟したソリューションでも、数日間は記録のみで人手の判定と並行運転し、見逃しと過剰検出を数え、安定を確認してから排除機構を接続する。この手順が良品の大量廃棄を防ぐ。
第六に、長期的な運用を考える。モデルは一度きりのものではない。入荷バッチの変化、光源の経年劣化、カメラのずれはいずれも性能のドリフトを招く。選定時に確認すべきは、誰がモデルを反復するのか、ベンダーの現地対応が必要か、リモートサポートの窓口があるかである。3,200以上の拠点での業界経験によれば、サポートの応答速度が初期精度以上にラインの使用感に影響することが多い。
5. 展望
第一の方向は、検査の上流への移行である。AIビジョンを最終検査から工程内検査へ移し、プレス、射出成形、溶接の段階で異常を捉え、後工程の廃棄を減らす。第二はマルチモーダル融合であり、可視光に赤外線や3D点群を組み合わせ、透明体や高反射部品など単一の撮像方式では扱えない場面を解決する。第三はローコード化であり、現場のライン技術者がアルゴリズム技術者の到着を待たずに、自らサンプルにラベルを付け、しきい値を調整できるようにする。15以上の業界、120社以上の顧客での実践が示すのは、利用のハードルを下げた者が中小企業の成長市場を獲得するということである。
中小企業にとって、AI外観検査を導入する窓はすでに開いている。一足飛びの解決を狙う必要はなく、1つのステーション、1つの不良種類、1本のラインで閉ループを回すことが、一度に全体へ展開するよりも堅実である。