ナレッジセンター
目次

溶接品質検査におけるAIビジョンの適用

溶接品質検査におけるAIビジョンの中核的価値は、熟練作業者の目と後工程の抜き取りに頼っていた品質モデルを、ライン上でリアルタイムかつ全数、追跡可能な自動判定へ変えることにある。近年、製造業の溶接品質への要求は厳しさを増しており、とりわけ新エネルギー電池、自動車ボディ、3C精密構造部品では、溶接欠陥の流出1件が手直しよりもはるかに大きなコストになる。

1. 中核概念と技術的定義

AIビジョンによる溶接品質検査とは、産業用カメラと専用照明で溶融池、ビードの形成、溶接後の表面を撮像し、深層学習モデルによって気孔、アンダーカット、融合不良、ビードずれ、スパッタ、割れといった欠陥を自動で分類・位置特定する技術手法を指す。従来のマシンビジョンとの違いはここにある。従来のビジョンは手書きのルールとしきい値に依存し、反射、アーク干渉、ビード形状の変化のもとで誤判定しやすい。一方AIビジョンは大量の欠陥サンプルセットでモデルを学習させ、正常と異常を自ら分離することを学ぶため、適応性と汎化性が明らかに高い。

検査タイミングで見ると、概ねインプロセス検査と溶接後検査に分けられる。インプロセス検査は溶融池の形状とアークの安定性を監視し、工程管理に重心を置く。溶接後検査は最終的なビード外観と内部品質(超音波やX線と組み合わせる場合)を見る。現在の導入の大半は溶接後の表面欠陥検査であり、一部の先進企業がリアルタイムのインプロセス監視に取り組んでいる。

2. 技術原理と主要能力

生産ラインに投入できるAIビジョン溶接検査システムは、通常4つの課題を解決しなければならない。

第一は撮像である。溶接現場は強いアーク光、スパッタ、ヒュームがあり、普通のカメラでは白飛びかぼけのどちらかになる。一般的な方法は、狭帯域フィルタと高周波パルス照明を組み合わせ、アークが消える瞬間に撮像するか、多角度照明でビードの三次元形状を再構成する。画質は後段すべての上限を決めるため、ここが悪ければどんなアルゴリズムでも補えない。

第二は欠陥ラベリングとモデル学習である。溶接欠陥のサンプルは本質的に不均衡で、気孔は豊富でも割れは数百個に1個しか出ないことがある。こうしたソリューションは一般に少数ショット学習とデータ拡張を組み合わせ、欠陥サンプルが限られていてもモデルが収束するようにしている。増分学習にも対応し、ライン上で新たに発生した欠陥種別を、一からやり直さずに追加学習できる。

第三はリアルタイム推論とサイクルマッチングである。溶接サイクルは数十秒、場合によっては数秒であるため、検査システムは数百ミリ秒以内に結果を出さなければならない。そうでなければ部品をラインから外して検査することになり、全数検査の意味が失われる。精度と速度のバランスが必要で、業界では軽量なバックボーンネットワークをエッジ演算ボックスに載せるのが一般的である。

第四は結果のトレーサビリティとMES連携である。検査結果が産業用PCのなかに留まってはならず、欠陥画像、位置、種類、タイムスタンプをまとめてアップロードし、溶接シーム番号と紐付けて、後からの品質追跡と工程改善に使えるようにする。15以上の業界にまたがる120社超の顧客での経験から言えるのは、既存のラインシステムに接続できるかどうかが、プロジェクトの成否を分ける決定要因になることが多いという点である。

3. 製造業における典型的な適用場面

自動車部品メーカーがボディ・イン・ホワイトの構造を溶接し、1本のラインに数十台のロボットと数千点の溶接打点がある場合を想定する。以前は検査員が超音波で抜き取り、1日に数十点を確認する程度で、流出リスクは高かった。AIビジョンによる溶接後検査を導入すると、溶接後にすべての打点が自動で撮像・判定され、表面気孔、溶け抜け、ビードずれがリアルタイムに警告される。ライン速度は落ちず、検査人員は減る。

電子機器工場が精密構造部品をレーザー溶接し、ビード幅が1ミリの何分の一しかなく肉眼では見えない場合を想定する。高倍率レンズと同軸照明を用いたAIビジョンは、微小な融合不良やコールドジョイントを識別し、全組立後に初めて問題が見つかってロット全廃という事態を避けられる。

もう一つの場面は配管溶接で、圧力容器や空調配管などである。これらの溶接は通常周溶接であり、人手による検査は継手の周りを歩き回る必要があり、遅いうえに欠陥を見落としやすい。回転機構を備えたAIビジョンは、移動しながら撮像・判定・記録し、シーム全体の欠陥分布マップを直接生成できる。

4. 選定の要点と導入アドバイス

AIビジョン溶接検査ソリューションを選ぶとき、まずアルゴリズムの精度を見つめてはいけない。先に3点を確認する。自社の溶接工程が安定しているか、欠陥の定義が明確か、ラインが検査のためにステーションとサイクルタイムを確保してくれるか。工程自体の変動が大きければ、どんなモデルもまともに学習できない。

具体的な選定では、いくつかの硬い指標を見る。撮像方式が自社の溶接種類(アーク溶接、レーザー溶接、抵抗溶接は大きく異なる)に合っているか。モデルがデモに載っている数種類ではなく、自社ラインに実際に存在する欠陥種別に対応しているか。推論速度がラインサイクルに間に合うか。そして、自社のエンジニアが保守できるようラベリングツールと再学習インタフェースが提供されるか。

導入は、広く展開する前に1本のラインか1つのステーションでパイロットを行う。パイロットでは過検出率と流出率、とくに流出に注目する。溶接欠陥の流出は、過検出よりもはるかに厄介だからである。欠陥サンプルも前もって集めておく。ラインから良品と、意図的に溶接を外した品の両方を残しておくことが、モデル学習の糧になる。3200社以上のエンドユーザの声から言えるのは、サンプルを早く積むほど立ち上げが短くなるということである。

5. 動向とまとめ

第一の方向は溶接中のリアルタイム閉ループ制御である。現在のソリューションの多くは検査後に警告するだけだが、今後は溶接パラメータと連動し、溶融池が異常になった時点で電流、電圧、ワイヤ送給速度を直接調整し、欠陥ができる前に潰すようになる。

第二の方向はマルチモーダル融合である。可視光は表面を、赤外は温度場を、超音波は内部を見る。複数の信号を融合すれば、ビジョン単独よりも信頼性が高い。

第三の方向はエッジモデルの自己反復である。ラインが製品を切り替えたり材料ロットが変わったりしても、人手の介入を減らしてモデルが新しい条件に自動適応する。

溶接品質検査におけるAIビジョンの役割は、溶接工程そのものを置き換えることではなく、品質判定を経験依存からデータ依存へ移すことにある。製造業者にとって、溶接検査の自動化が早く安定して回り始めるほど、品質コストは早く下がる。

分野: AI画像認識百科