ナレッジセンター
目次

深層学習による外観不良検出:目視検査を置き換える主流の道筋

1. 中核となる概念と技術的定義

製品の外観不良検出とは、産業製品の表面にある傷、汚れ、ピット、色差、欠肉、バリといった異常を識別し分類することである。従来の方法は強い照明や特定の角度の下での人の目に依存しており、遅く、疲労し、判定基準もばらつく。

深層学習を用いた外観不良検出は、畳み込みニューラルネットワークなどのモデルを使い、ラベル付けされた大量の不良画像から特徴を自動的に学習し、ラインカメラが取得したリアルタイム画像に対して推論を行う。従来のマシンビジョンとの違いは、従来のビジョンが技術者の書いたルール(グレースケールしきい値やエッジオペレータなど)に依存し、新しい製品ごとに再調整が必要なのに対し、深層学習はデータによる訓練に依存し、複雑な不良形状、多様な背景テクスチャ、不均一な照明によりよく適応する点にある。

2. 技術原理と主要な能力

全体の流れは大きく四つの段階からなる。撮像、ラベリング、訓練、推論の配備である。

撮像は基礎である。光の角度、カメラの解像度、レンズの選択が、そもそも不良を撮像できるかどうかを直接決める。通常のリング照明ではほとんど見えず、低角度の暗視野照明や同軸照明で初めて現れる不良もある。この段階が不十分であれば、後のアルゴリズムで補うことはできない。

ラベリングの段階がモデルの上限を決める。不良サンプルはロングテール分布になりがちで、傷は多く、ピットは少なく、微小な不良はさらに稀である。業界で一般的な実践には、データ拡張、合成不良、少数ショット学習がある。コネクタ工場で異物不良の画像が数十枚しかないとする。通常の訓練では収束しにくいため、良品の分布のみを学習して逸脱を警告する異常検知アルゴリズムを補完として用いる必要がある。

モデルのレベルでは、分類、検出、セグメンテーションにそれぞれ適した役割がある。分類は画像に不良が含まれるかを答え、検出は不良がどこにあり何であるかを答え、セグメンテーションは不良の画素レベルの輪郭を答える。表面不良では通常、検出とセグメンテーションを組み合わせ、不良の位置特定と面積の定量化を同時に行う。

主要な能力はいくつかの指標に現れる。見逃し率、過剰検出率、推論速度、切替時間である。見逃し率は最低限のラインであり、過剰検出率はラインの直行率に影響し、推論速度はラインのタクトに合わなければならない(毎分60個なら、数秒かかるモデルは使えない)。切替時間は多品種少量生産が成立するかを決める。

3. 製造現場における典型的な適用場面

電子工場がスマートフォンの中間フレームの外観を検査する。表面はアルマイト処理されたアルミニウムで、不良には微細な傷、ピッティング、色差がある。強い照明の下で一日中目視検査を続けると、午後には見逃しが明らかに増える。深層学習ソリューションでは、多角度カメラが6面を同時に撮像し、モデルが傷とピッティングに別々のクラスを構築し、過剰検出率を許容範囲に収めながら、見逃し率を目視の水準以下に下げる。

自動車部品会社がブレーキパッドの外観を検査するとする。表面には研削痕があり、不良は割れ、角欠け、錆斑である。割れは微細でコントラストが低く、従来のビジョンで安定して検出するのは難しい。深層学習モデルは異なる照明条件下のサンプルで訓練し、導入後は赤外線や特殊角度の照明で割れのコントラストを高め、ライン内での全数検査を実現する。

五金工場がねじを外観で選別する。ねじの不良は多岐にわたり(ねじ山の不良、頭部の割れ、めっきのふくれ)、部品は小さく数量は多い。こうした場面は極めて高速な推論を要求するため、通常は軽量モデルとエッジコンピューティングボックスを使い、中央サーバーに依存せずライン脇でローカル推論し、NG品だけをエアブローで排除する。

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。ライン上で実サンプルを使って試し撮りすることが、どんなソリューションの資料よりも重要である。撮像できない不良にアルゴリズムの答えはない。

第二に、切替コストを明確に尋ねる。多品種少量生産は常態であり、新製品ごとに数百枚の新しい画像を撮影し、再訓練と再調整が必要なら、ラインは待てない。ソリューションが少数ショットの転移能力と高速なラベリングツールを備えているかを確認する。

第三に、見逃しと過剰検出に対する事業上の許容度を区別する。ある業界では見逃し1件が重大な結果を招くため過剰検出を選び、別の業界では過剰検出が多すぎると良品を誤判定しコストが耐えられない。二つの指標を分けて議論し、単一の精度の数字だけを見てはならない。

第四に、配備はラインに合わせなければならない。集中型サーバーは複数ラインの集約とモデルの一元管理に適し、エッジボックスは単一ステーション、低遅延、不安定なネットワークに適する。ハイブリッド構成も一般的である。

第五に、データのループを怠らない。ラインは毎日大量の新しい画像を生み出す。モデルが確信を持てない画像、人手の再判定で修正された画像を訓練セットに戻さなければならない。このループがなければ、モデルは半年で製品の変化に追いつけなくなる。3,200以上の拠点、15以上の業界、120社以上の顧客での実践は、データループをしっかり築いたラインほど長期的なモデル安定性が明らかに良好であることを示している。

5. 展望

一つの方向は生成によるデータ拡張である。拡散モデルがリアルな不良サンプルを合成し、実不良画像の不足を緩和する。特に小規模で稀な不良クラスに有効である。

もう一つの方向はマルチモーダル融合である。可視光画像だけに頼らず、赤外線、3D点群、超音波信号を組み合わせ、内部不良と表面不良を統合的に判定する。

さらに一点は、検査と工程管理の連携である。外観不良は排除するだけでなく、不良種類、位置、頻度を上流工程にフィードバックし、原因が金型の問題か、入荷材料の問題か、工程パラメータのドリフトかを特定できるようにすべきである。品質検査を終端から工程管理の一部へと変えることが、深層学習による外観検査のより大きな価値の所在である。

分野: AI画像認識百科