ナレッジセンター
目次

産業におけるAI外観検査:人の目に代わる検査・位置決め・測定

1. 中核となる概念と技術的定義

産業の文脈におけるAI外観検査とは、産業用カメラ、3Dセンサー、照明システムを前段の取得手段とし、畳み込みニューラルネットワークやTransformerなどの深層学習モデルをアルゴリズムの中核として、製品の外観、寸法、位置、文字を自動的に解釈する技術システムを指す。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やエッジテンプレートといった手動設定のルールに依存し、新しい製品型番ごとに再調整が必要なのに対し、AIビジョンはサンプルでモデルを訓練して不良とは何かを学習し、切替時には少数のサンプルを追加するだけで転移できる点にある。

一般的な技術分野には、表面不良検出(傷、汚れ、色差)、寸法測定(長さ、幅、高さ、穴径、間隔)、文字認識(コード読み取りやラベル検証のためのOCR/OCV)、位置決めとガイダンス(ロボットアームに把持座標を提供)、行動認識(作業者の操作が規定に適合しているか、動作が完了しているかの判定)がある。

2. 技術原理と主要な能力

実用的な産業用AIビジョンシステムは、通常、撮像、計算、アルゴリズム、アプリケーションの四つの層からなる。

撮像層が上限を決める。光の角度が数度違うだけで、傷が撮像できなくなることがある。業界では通常、同軸照明、バー照明、ドーム照明を組み合わせ、反射する金属や曲面ガラスなど撮像が難しい材料に対応する。

アルゴリズム層が中核である。不良検出では、U-Net系などのセグメンテーションネットワークで不良画素を特定し、その後に分類ネットワークで種類を判定することが多い。寸法測定では、サブピクセルのエッジ抽出と校正パラメータを用いて物理寸法に変換する。近年は少数サンプル学習と教師なし異常検知が目覚ましく進み、良品画像数十枚から基準を構築でき、現場の不良サンプル不足を緩和している。

主要な能力は三つある。第一は推論速度である。ラインのタクトは300ミリ秒未満であることが多く、モデルは軽量でTensorRTなどの加速に対応する必要がある。第二は過剰検出と見逃しのバランスである。過剰検出が多すぎるとラインが頻繁に停止し、見逃しが多すぎると流出リスクが高まるため、しきい値は通常、顧客の品質要求に合わせて調整する。第三は環境に対する堅牢性である。工場の照明変化、振動、粉塵はいずれも撮像の安定性に影響するため、ハードウェアの保護とアルゴリズム側の補償の双方が必要である。

3. 製造現場における典型的な適用場面

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。摩擦面には微細な傷、巣穴、欠肉があり、人の目は強い照明の下で疲れやすい。AIビジョンを導入した後は、ライン末端に産業用カメラとリング照明を追加し、モデルが摩擦面を画素レベルでセグメンテーションし、傷の長さが設定値を超えたらアラームを出し、NG品の座標を排除機構に送る。別のブレーキパッド型番に切り替える際は、新しいサンプル数十枚で再訓練でき、ハードウェアの変更は不要である。

電子工場がコネクタのピンを検査する。ピンの間隔はわずか0.2ミリで、顕微鏡下での目視検査は非効率である。AIビジョンソリューションはテレセントリックレンズと同軸照明を使い、まずサブピクセルでエッジを位置決めし、次にピンの共平面性と間隔を計算し、公差外れを不良と判定する。同じシステムでピンのレーザーマーキングも読み取り、品質データをMESに紐付けることができる。

食品包装工場がシールを検査するとする。シールにはしわ、内容物の挟み込み、シール不良が起こり得るが、従来のビジョンではルールで記述するのが難しい。AIソリューションは教師なし異常検知を用い、良品シールの画像のみで訓練し、推論時に基準から逸脱すればアラームを出す。同じ論理は医薬品のブリスターパックやリチウム電池の電極シートにも適用できる。

4. 選定基準と導入のアドバイス

第一に、撮像の実現可能性を確認する。実際のサンプルをライン速度で撮像し、不良が判別できるかを確認する。撮像できなければ、どんなアルゴリズムも助けにならない。

第二に、アルゴリズムプラットフォームの使いやすさに注目する。ライン技術者が自らラベリング、訓練、配備を行えるかが、後の保守コストを決める。毎回ベンダーの技術者が現地に来てパラメータを調整しなければならないなら、長期的なコストは非常に高くなる。

第三に、計算の計画はタクトに合わせなければならない。多カメラ・多ステーションの場面ではエッジサーバーでの集中推論を検討でき、単純な単一ステーションのタスクではオールインワンのスマートカメラを使える。

第四に、検収指標を明確に定める。過剰検出率、見逃し率、1枚当たりの推論時間、切替時間はすべて契約で数値化しなければならない。15以上の業界、120社以上の顧客での導入経験によれば、撮像と検収基準を事前に明確にしたプロジェクトは、稼働までのサイクルが通常3分の1短縮される。

第五に、データインターフェースを確保する。ビジョンシステムは孤島ではない。検査結果は品質トレーサビリティと閉ループ制御のためにMESやPLCへアップロードできなければならない。

5. 展望と結論

第一の方向は、3Dビジョンと2Dビジョンの融合である。2D画像だけでは高さや奥行きを判定できないが、3D点群を加えることで、組立のずれ、段差、平坦度の検出能力が目に見えて向上する。

第二の方向は、エッジにおける大規模モデルである。汎用ビジョン大規模モデルの産業用小サンプル場面へのファインチューニングコストは下がっており、将来の切替は数枚の画像と自然言語による説明だけで済むかもしれない。

第三の方向は、行動認識と安全コンプライアンスの組み合わせである。カメラが作業者の手袋着用、危険エリアへの立ち入り、SOPの遵守を識別し、この論理はスマートマニュファクチャリングシステムにおいて選択肢から標準へと移りつつある。

産業におけるAI外観検査の価値は、人を置き換えることではなく、人を反復的な読み取りから解放し、品質データを追跡可能で分析可能な構造化情報に変えることにある。適切な場面を選び、検収を明確に定め、インターフェースを確保することが、導入成功の三つの鍵である。

分野: AI画像認識百科