AI外観検査システムのハードウェア選定についての核心的な結論はこうである。まず場面の精度とタクトを定め、次にカメラ、レンズ、光源、計算プラットフォームを選び、最後にソフトウェアアルゴリズムから逆算してハードウェアの余裕を確保する。その逆ではない。最初に最も高価なカメラを買うのではない。
製造業でAI外観検査に取り組むチームは増えているが、実際にプロジェクトを停滞させるのはアルゴリズムよりもハードウェア選定であることが多い。アルゴリズムがどれほど強力でも、カメラの解像度が足りない、照明が適切でない、計算プラットフォームの帯域が追いつかないといった状態では、AIビジョンシステムは現場で動かない。特に行動認識、不良検出、寸法測定といったタスクでは、ハードウェア計画がシステムを配備できるかどうかを直接決める。
1. 中核となる概念と技術的定義
簡単にいえば、AI外観検査システムは産業用カメラで画像を取得し、深層学習モデルによって分類、検出、セグメンテーション、行動認識を行い、結果をPLCやMESに出力する。従来のマシンビジョンとの違いは、従来のビジョンがルールと特徴量エンジニアリングに依存するのに対し、AIビジョンはデータ駆動であり、照明の変化、製品のばらつき、複雑な背景に対してより寛容である点にある。
ハードウェア選定は五つの中核部品に関わる。産業用カメラ、レンズ、光源、フレームグラバ、エッジ計算プラットフォームである。場面によってはセンサー、エンコーダ、ロボットアーム、選別機構も必要になる。システム全体では、カメラが「鮮明に見る」ことを担い、レンズが視野の広さを決め、光源が安定した撮像を保証し、計算プラットフォームが推論の速さを決め、フレームグラバとインターフェースがデータの流れの円滑さを決める。
2. 技術原理と主要な能力
カメラの選定はセンサー方式から始まる。CCDとCMOSのうち、現在はCMOSが主流である。グローバルシャッターは動く対象に適し、ローリングシャッターは静止または低速の場面に適する。解像度は高いほど良いとは限らず、最小の不良サイズと視野から計算すべきである。100ミリの視野の中で0.1ミリの傷を検出するには、少なくとも1,000有効画素の解像度が必要で、さらに20~30パーセントの余裕を加える。
フレームレートはラインのタクトに合わせなければならない。ラインが毎分300個を流し、1個当たり4枚撮像するなら、カメラは少なくとも20fpsが必要で、実際の選定では30fps以上を見込むべきである。インターフェースでは、GigEは中低速向けで配線が容易、USB3.0はデスクトップ水準向け、Camera LinkとCoaXPressは高速・高解像度の場面向けである。
レンズの選定では、焦点距離、絞り、歪み、被写界深度を見る。テレセントリックレンズは歪みが小さく寸法測定に適し、広角レンズは広い視野に適するが周辺歪みの補正が必要である。照明はAIビジョンで最も過小評価されている部分である。リング照明、バー照明、バックライト、同軸照明、ドーム照明はそれぞれ、不良を照らし出せるかどうかを決める。金属表面のピットを検出するなら、リング照明よりも低角度のバー照明のほうがコントラストが得られる。
計算プラットフォームは三つの類型に分かれる。GPUカードを搭載した産業用PC、エッジAIボックス、組み込みモジュールである。深層学習の推論はビデオメモリと演算に対する要求が高く、1080p画像でバッチサイズ4のYOLO系検出モデルを動かすには、少なくとも6GBのビデオメモリが必要である。複数カメラを同時に動かす場合は、PCIe帯域とフレームグラバのスループットも考慮しなければならない。
3. 製造現場における典型的な適用場面
電子工場がPCBの不良を検出する。ラインのタクトは速く、不良種類も多い。選定では500万画素のグローバルシャッターカメラとテレセントリックレンズ、多角度の複合照明、GPU搭載の産業用PCでセグメンテーションモデルを動かし、はんだボール、断線、傷を特定する。ローリングシャッターを選ぶと、モーションブラーで微小な不良を見逃す。
自動車部品会社が歯車の寸法を測定し、表面不良を識別するとする。歯車は反射する金属の曲面である。選定では、輪郭測定にバックライト、表面不良にドーム照明、200万画素の高フレームレートグローバルシャッターカメラ、両側テレセントリックレンズを使う。計算プラットフォームはラインのエッジに置き、GigE Visionプロトコルで複数カメラを接続し、結果を選別機構へ直接出力する。
食品包装会社が袋詰め製品を検査し、シールのしわ、異物、印字ずれを識別する。こうした場面は色差が大きいため、演色性の高い光源を備えたカラーカメラ、低歪みの固定焦点レンズ、軽量な分類ネットワークを動かすエッジAIボックスを使う。モノクロカメラでは色に関わる不良を分離できない。
4. 選定基準と導入のアドバイス
第一に、場面の評価を行う。検査対象、最小の不良サイズ、視野、ラインのタクト、周囲の照明、設置距離を明確にする。これらのパラメータがカメラの解像度とレンズの焦点距離を直接決める。
第二に、光源とカメラを同時に選ぶ。多くのプロジェクトが失敗するのは、カメラを先に買ってしまい、現場の照明では不良が浮かび上がらなかったためである。照明計画を確定する前に、実際のライン環境でサンプルを使って照明を試験する。
第三に、計算資源の余裕を残す。モデルのパラメータ数は反復で増えることがあり、ラインが高速化すればフレームレートも倍になりうる。計算プラットフォームは現状の要求の1.5~2倍で構成し、ビデオメモリと帯域の双方に余裕を持たせる。
第四に、インターフェースとプロトコルを統一する。GigE Vision、USB3 Vision、GenICamといった標準は統合の難易度を下げる。多カメラの同期には、ハードウェアトリガとPTP時刻同期を検討する。
第五に、ソフトウェアアルゴリズムから逆算する。インスタンスセグメンテーションモデルが640×640の入力なら、闇雲に2,000万画素へ上げる必要はない。前処理のダウンサンプリングで細部が失われるからである。業界でAI外観検査に取り組むソリューション提供者は通常、選定段階で実サンプルにアルゴリズムを適用し、ハードウェア計画が目標精度に到達できるかを検証する。
第六に、拡張性を考慮する。ラインに検査ステーションが増え、カメラ台数が2台から8台に増えるかもしれない。計算プラットフォームとネットワーク構成は拡張に対応し、重複投資を避けなければならない。
5. 展望と結論
第一の方向は、組み込み型AIビジョンである。エッジの計算能力が高まるにつれ、より多くの検査タスクが産業用PCからカメラやエッジボックスへ移り、配線コストと遅延が削減される。
第二の方向はマルチモーダル融合である。AIビジョンは画像だけに頼らず、赤外線、3D点群、分光情報も融合するようになるため、ハードウェア選定ではマルチセンサーのインターフェースを確保しなければならない。
第三の方向は標準化とモジュール化である。カメラ、レンズ、照明、計算プラットフォームのインターフェースとプロトコルはより統一され、選定は部品の組み上げからパッケージの選択へと移り、導入サイクルが短縮される。
選定そのものに戻れば、万能の解はない。電子工場と自動車部品会社では要求が異なり、したがってハードウェアの組み合わせも異なる。核心となる論理はこうである。場面が精度を定め、精度がハードウェアを定め、ハードウェアがアルゴリズムに奉仕し、アルゴリズムがハードウェアを検証する。この順序に従えば、AI外観検査システムのハードウェア選定を誤ることはない。