ナレッジセンター
目次

深層学習による製品外観欠陥検査

深層学習による製品外観欠陥検査は、畳み込みニューラルネットワークを用いて欠陥特徴を自動的に学習し、人手による目視検査を高精度・高効率な自動判定に置き換え、キズ、汚れ、変色といった微細な不具合を安定して識別する。この技術は電子機器、自動車部品、リチウム電池などの産業で広く活用され、MESシステムに接続して品質データをリアルタイムにフィードバックでき、流出率と誤警報率を大幅に低減する。

1. 深層学習検査は従来のマシンビジョンのどのような課題を解決するのか

ルールマッチングに基づく従来のマシンビジョンは、人手で設定したエッジ閾値と固定テンプレートに依存するため、照明が変化したり製品位置がずれたり背景テクスチャが複雑だったりすると容易に破綻する。深層学習検査は大量のサンプルでモデルを学習させることで、アルゴリズムが高次元の欠陥特徴を自動抽出し、事前の幾何パラメータなしで製品形状の自然なばらつきに適応する。主に解決するのは、不規則な亀裂やぼやけた汚れなど非構造化欠陥を定量的に定義しにくいという問題と、高速タクトや人為的疲労による見逃しの問題であり、検査の安定性を熟練作業員の経験からデータモデルへ移すことにある。

2. 深層学習モデルは現場でどのような主要指標を実現するのか

この方案の核心能力は、認識精度、検査速度、ハードウェア演算の3つの側面に現れる。精度では、成熟したモデルは一般に頻出欠陥に対して99.5%以上の検出率を達成し、誤警報率は0.1%未満で、電子組立のIPC-A-610許容基準やISO 9001品質マネジメントシステムの要求を満たす。速度では、1枚の画像の処理に通常200〜800ミリ秒かかり、SMT実装や射出成形といった高速ラインのタクトに十分対応できる。ハードウェアでは、高解像度の産業用カメラ(少なくとも500万画素)、高フレームレートのトリガ対応フレームグラバ、NVIDIA T4やA10シリーズのGPUを搭載した産業用PCが必要で、OPC-UAやModbus TCPなどのプロトコルで上位コンピュータと通信し、データをリアルタイムにSCADAやMESシステムへアップロードする。

3. どの製造工程で最も顕著な効果を発揮するのか

スマートフォンの背面カバーを生産する電子機器工場が、ガラスカバーの組立工程でこのシステムを導入した場合を想定する。目視では見つけにくい微小な欠けや表面の粉塵を自動で排除し、不良品が後工程の貼合工程へ流れ込むのを防ぐ。大手自動車部品会社はエンジンシリンダーブロックの表面処理に深層学習を用い、塗装のむらや塗りだれを識別し、通常照明での眩しさによる誤判定を解消した。リチウム電池の電極巻回では、電極表面の金属異物付着や塗布の欠落を連続監視し、異常を検知すると即座に停止警報を発する。これらの場面に共通するのは、製品表面のテクスチャが複雑で、欠陥形状のばらつきが大きく、一貫性への要求が非常に高く、人手による再検査コストが高いことである。

4. このシステムの導入にはどのようなハードウェアと環境条件が必要か

導入前に4つの要点を明確にする必要がある。第一に、撮像環境を制御可能にすること。リングライトや同軸光源を追加して影を除去し、工場内の迷光を遮る遮光フードを取り付ける。第二に、ネットワーク構成を専用にすること。Wi-Fiの変動が画像伝送の遅延に影響しないよう、産業用PCへギガビットEthernetで直接接続することを推奨する。第三に、データ取得頻度をライン速度に合わせること。ライン速度が毎分30メートルを超える場合は、モーションブラーを防ぐためにグローバルシャッターカメラが必要となる。第四に、モデル更新の仕組みを用意すること。初期学習には各種欠陥をカバーする少なくとも2000件のサンプルを収集し、その後も継続学習のプロセスを構築して、新たに発生した不良品でモデルライブラリを定期的に更新し、モデルの劣化を防ぐ必要がある。

5. どの工程がAI外観検査に適し、どの場面が適さないのか

この方案は、入荷材の一貫性が良く、欠陥特性が比較的固定され、ラインタクトが安定した工程に適する。例えばPCBの半田接合部検査、精密部品の寸法測定、包装ラベルの完全性検証などである。反射の強い曲面部品(鏡面ステンレスなど)、透明度の高い材料(未処理のガラスなど)、形状が極めて不規則で位置決め基準のない軟質材料では、深層学習だけでは特徴抽出が困難になる場合があり、構造化光や特殊な光学方案と併せて評価する必要がある。また、欠陥が散発的でサンプルが極端に少ない場合(月に一度しか現れない特殊な異物など)は、モデル学習サイクルが長くなりすぎるため、人手による抜き取り検査や少数ショット学習の方が適している。ERP時代から数十年にわたり事業を営み、120万社の顧客にサービスを提供し、数千万台の端末を導入して国内外の市場をカバーしてきた業界の経験が示すのは、技術選定は実際の工程境界に厳密に合わせなければならないということである。

分野: AI画像認識百科