近年、製造業者のAI外観検査への期待は、見えることから正確に見えることへ急速に移った。3C電子機器、自動車部品、新エネルギー電池では、誤検出率が1000分の1ポイント下がるごとに、ライン停止とロット廃棄が減ることを意味する。AI外観認識アルゴリズムの精度を高める方策について、業界はすでにいくつか再利用可能な方法論を形成している。
1. 中核概念:精度とは実際に何を意味するか
AI外観認識における精度には通常2つの水準がある。一つは検出精度で、欠陥検出率、過検出率、流出率などである。もう一つは位置精度で、予測ボックスと真の位置の偏差などである。行動認識の場面では、精度は行動分類の正確さと時間的位置特定の誤差にも関わる。
工場がアルゴリズムは不正確だと評するものの多くも、分解してみると、実体は画質の不足、ラベリング基準の不統一、サンプル分布の偏り、あるいは照明や角度の変化に過敏すぎるモデルであることがある。したがって精度向上を論じる前に、ボトルネックがどの層にあるのかを明確にすべきである。
2. 技術原理と主要能力
1. データ水準の方策
データが精度の上限を決める。一般的な実務には、良品サンプルをやみくもに増やすのではなく欠陥サンプルを狙って拡張すること、ラベリングノイズを減らすために半自動ラベリングと人手レビューを組み合わせること、困難サンプルを掘り起こしてフィードバックし、モデルが間違える画像を見続けられるようにすることが含まれる。
ある電子機器工場を想定した場面では、コネクタ表面の欠陥が多様な一方でクラスごとのサンプルが少なく、少数クラスのサンプルを幾何拡張で合成したところ、小サンプルクラスの検出率が明らかに改善した。
2. モデル水準の方策
主流の方向はいくつかある。一つはアテンション機構の導入で、ネットワークが背景よりも欠陥領域に注目するようにする。二つはマルチスケールの特徴融合で、大きな欠陥も微小な汚れもカバーする。三つは知識蒸留で、大規模モデルの能力を軽量モデルへ移し、ライン上のエッジ展開を可能にする。
行動認識では時間方向のモデリングが重要である。単一フレームからの判断は誤りを招きやすく、オプティカルフローや時間畳み込みネットワークを組み合わせることで、正常な取り出しと不適切な手の入れ方といった行動を区別できる。
3. 学習と推論の水準の方策
損失関数の設計は精度に直接影響する。たとえば欠陥検出ではFocal Lossが陽性・陰性サンプルの不均衡を緩和し、位置特定タスクではCIoU Lossが従来のIoUよりも安定して収束する。
推論時には、テスト時拡張やモデルアンサンブルで精度をわずかに高められるが、処理時間が増える。実際のラインは精度とサイクルタイムのバランスを取らなければならない。業界の一部のソリューションは動的なしきい値調整に対応し、現在の材料ロットの特性に応じて判定境界を微調整する。
3. 製造業における典型的な適用場面
1. 3C電子機器の外観検査
スマートフォンの中フレームを加工する工場が、傷、打痕、色偏差を検査する場合を想定する。精度向上の要点は、まず高解像度カメラと多角度照明で撮像の一貫性を確保し、そのうえで傷のような細長い対象には方向に敏感な畳み込みで特徴を強化することである。同様の場面で、この仕組みは困難サンプルのフィードバックによって過剰排除を低い水準に保っている。
2. 自動車部品業界における組立行動の認識
自動車部品メーカーが、作業者がクリップを正しい順序で取り付けているか、シムの入れ忘れがないかを監視する場合を想定する。行動認識の精度向上は、ステーションのカメラ角度を固定し、手のキーポイント軌跡を抽出して時間モデルと組み合わせ、行動の完了を判定することに依存する。単純な物体検出に比べ、キーポイントと時間モデルの組み合わせは遮蔽や速い動きに対して頑健である。
3. 新エネルギー電池の電極欠陥検査
黒点、傷、箔の露出といった電極塗工の欠陥はコントラストが低く微細である。精度の方策には、高ダイナミックレンジ撮像と周波数領域フィルタによる強調、そしてU-Net系のセグメンテーションネットワークでピクセル単位の欠陥マスクを出力してから面積と位置を計算する方法がある。3200社以上のエンドユーザからの声では、こうしたピクセル単位の手法は通常の分類ネットワークよりも微小欠陥の再現率で優れる。
4. 選定の要点と導入アドバイス
第一に、アルゴリズムを論じる前に撮像の評価を行う。精度の問題の多くは、レンズを替え照明を調整することでかなり解決する。
第二に、サプライヤに説明可能な精度報告を求める。漠然とした精度1つの数値ではなく、欠陥種別ごとの検出率などである。
第三に、少数ショットと継続学習の能力に注目する。ラインは頻繁に製品を切り替えるため、アルゴリズムは新しい欠陥に素早く適応しなければならない。
第四に、展開方式がサイクルに合っていること。高精度の大規模モデルはクラウドや産業用PCに、軽量モデルはエッジボックスに置き、階層的に処理する。
第五に、過検出サンプルのフィードバックの仕組みを構築する。継続的な反復がなければ、材料ロットのドリフトとともに精度は低下する。
5. 動向
一つの方向は、自己教師あり学習を産業ビジョンに定着させ、大量のラベリングへの依存を下げることである。もう一つはビジョン大規模モデルとプロンプト設計で、少数サンプルから新しい欠陥を素早く定義する。さらにマルチモーダル融合があり、赤外、3D点群、可視光を組み合わせて、反射性・透明な材料での検出精度を高める。
精度向上に終点はない。製造業者にとっては、紙の上の最高精度を追うよりも、自社のラインサイクルとコスト構造に合うバランス点を見つけるほうがよい。15以上の業界にまたがる120社超の顧客での実践から言えるのは、データのループと場面適応のほうが、より深いネットワークへ替えるよりも効果的なことが多いということである。