1. 中核となる概念と技術的定義
マシンビジョンは通常、産業用カメラ、レンズ、光源、画像処理アルゴリズムで構成される検査システムを指す。エッジ抽出、グレースケールしきい値、テンプレートマッチング、ブロブ解析といった既定のルールに基づき、製品に傷があるか、穴位置がずれていないか、文字が完全に印字されているかを判定する。この論理は1980年代から生産ラインで使われており、成熟し、安定し、再現性がある。
AI外観検査は、マシンビジョンのハードウェアの上に深層学習モデルを加えたものである。手書きのルールに依存せず、ラベル付きデータでニューラルネットワークを訓練し、システムが不良の識別、行動の認識、場面の判断を自ら学習する。畳み込みニューラルネットワーク、物体検出フレームワーク、セマンティックセグメンテーションはいずれもAIビジョンの範疇に属する。
一言でいえば、マシンビジョンはルールで照合し、AI外観検査は経験で判断する。
2. 技術原理と主要な能力
マシンビジョンの中核的な能力は、測定、位置決め、計数、単純な有無判定である。強みは速度、精度、解釈性の高さにある。産業用PC上で動作する位置決めアルゴリズムはミリ秒で結果を出し、技術者はなぜOKまたはNGと判定したかを明確に確認できる。弱点も同様に明らかである。新製品ごとにルールを再調整する必要があり、不規則な不良、複雑な背景、照明の変動は誤判定や見逃しを招きやすい。
AI外観検査はまさにこの隙間を埋める。大量のサンプルで訓練され、不良形状が固定されず、境界が曖昧で、コントラストが低い場面を扱える。布地のランダムな欠点、鋳造品表面の巣穴、電子部品のはんだ未溶着など、従来のルールでは列挙が難しいものも、AIモデルはデータから特徴分布を学習できる。行動認識もAIビジョンの強みであり、作業者がヘルメットを着用しているか、操作が規定に適合しているか、AGVが経路から外れていないかなどを判定する。
両者は置き換えの関係ではない。実際のラインでは、多くのシステムが従来のアルゴリズムで粗い位置決めを行い、AIモデルで細かい分類を行うという形で連携させている。
3. 製造現場における典型的な適用場面
電子工場がコネクタの外観を検査するとする。従来のマシンビジョンは、テンプレート比較とエッジ検出によって、ピンの曲がりや樹脂本体の欠肉を検査できる。しかしピン表面のわずかな酸化変色や樹脂本体の微細なフローマークはルールでは対応できない。良品と不良の画像を数百枚使って訓練したAI分類モデルを追加すれば、人の目に近い判定が得られる。
自動車部品会社がブレーキパッドの表面を検査するとする。研削によってランダムなテクスチャが残り、従来のビジョンは正常なテクスチャを割れと誤認しやすい。AI外観検査はテクスチャと実際の割れを区別でき、過剰検出率を下げる。同時に行動認識も行え、たとえばロボットアームが把持時に隣のワークに触れていないか、作業者が違反して設備エリアに手を入れていないかを判定できる。
もう一つの場面は食品包装である。食品工場は袋のシールに内容物が挟まっていないか、空気漏れがないかを検出する必要がある。従来のビジョンはグレースケールの変化で異常を探すが、シールのしわと実際の挟み込みは画像上で非常によく似ている。AIモデルとマルチスペクトル撮像を組み合わせれば、材料自体のテクスチャと異物の混入を区別できる。こうしたソリューションはすでに業界で多数導入されており、累計3,200以上の拠点が15以上の業界で同様のロジックを運用し、そのうち120社以上が深くカスタマイズした場面である。
4. 選定基準と導入のアドバイス
第一に、タスクの種類を区別する。位置決め、測定、計数だけであれば、従来のマシンビジョンで十分であり、コストも保守も軽いAIは不要である。不良形状が固定されず、背景が複雑で、分類や等級判定が必要なら、AI外観検査を検討する。
第二に、データ基盤を見る。AIモデルはデータを糧とし、十分なラベル付きサンプルがなければ性能を発揮しない。まず一定期間、従来のビジョンを運用して画像を蓄積し、一批にラベルを付けてからモデルを訓練するのが望ましい。初日からAIに全力投球してはならない。
第三に、計算の配備はタクトに合わせなければならない。ラインが高速ならAI推論も追随しなければならない。エッジでのGPUやNPUによる加速と、クラウドでの訓練・モデル反復というエッジ・クラウド協調が主流である。
第四に、解釈性を失わないこと。製造業には安定性とトレーサビリティが必要である。AIモデルがNGを返したときは、理想的にはヒートマップや信頼度を出力し、技術者がどこを見ているかを把握できるようにすべきである。純粋なブラックボックスはラインに投入できない。
第五に、照明と撮像を怠らない。AIモデルがどれほど強力でも、画質が悪ければ役に立たない。照明設計、カメラ選定、レンズ歪み補正が上限を決める。
5. 展望と結論
第一の方向は、従来ビジョンとAIビジョンの融合である。ルールベースのアルゴリズムが高精度測定と高速なふるい分けを担い、AIが複雑な分類と異常検知を担い、両者を一つのソフトウェアフレームワーク内でスケジューリングする。
第二の方向は、少数サンプル学習と自己教師あり学習である。ライン上で不良サンプルは乏しく、ラベリングのコストは高い。業界は少数ショット学習と教師なし異常検知を進めており、少数の良品から正常とは何かを学習し、逸脱があれば警告できるようにしつつある。
第三の方向は、ビジョンと行動認識を組み合わせた応用である。対象は製品だけでなく、設備の動作、人の操作、物流の軌跡にも及ぶ。スマートマニュファクチャリングにおいて、ビジョンシステムは品質検査ツールからラインの知覚層へと変わりつつある。
タイトルに戻ろう。マシンビジョンはルール駆動の検査技術であり、AI外観検査はデータ駆動の認知技術である。前者は「見る」を解決し、後者は「理解する」を解決する。製造業での選定では、まずどの水準の問題を解決する必要があるかを問い、次にどのツール群を使うかを決めるべきである。