中小製造業にとって、AI外観検査への最も現実的な道は、社内にアルゴリズムのチームを作ることではなく、ラインのステーションへ素早く配備できる標準化されたソリューションを選び、1本のラインと1つの検査ステーションから始めることである。
この2年、製造業では品質検査員の採用が難しくなっている。若い人は組立ラインの前で外観欠陥を見続けることを嫌い、年長のスタッフは目の疲れとともに流出率が上がる。一方でAI外観検査の参入障壁は急速に下がっている。かつて数十万元のカスタム開発が必要だったプロジェクトが、今は数万元の標準化製品で回る。多くの中小製造業が本格的に検討し始めているが、大半は同じ疑問で止まっている。どう始めればよいのか。
1. AI外観検査とは何か
簡単に言えば、AI外観検査は産業用カメラで製品を撮影し、学習済みの深層学習モデルでその画像に欠陥があるか、どこにあり、どのクラスに属するかを判定する。従来のマシンビジョンとの違いは、従来のビジョンが濃淡しきい値やエッジ抽出といった人が書いたルールに依存し、製品や照明が変わればすべて調整し直す必要があるのに対し、AIビジョンはサンプル学習に依存して欠陥特徴を自ら学ぶため、複雑な背景や不規則な欠陥形状への適応性が明らかに高いことである。
中小製造業が明確にしておくべき点が一つある。AI外観検査は、買って終わりの装置ではない。撮像ハードウェア、照明、アルゴリズムモデル、推論ソフトウェア、ラインインタフェースを含むシステム工学の課題である。撮像品質が検査の上限を決め、アルゴリズムはその一部にすぎない。
2. 技術原理と主要能力
典型的なAI外観検査システムは4つの段階で動く。第一は撮像で、産業用カメラと特定の照明(リング照明、バックライト、同軸照明など)で欠陥を明確に捉える。ここが悪ければ後工程はすべて失敗する。第二は前処理とラベリングで、撮影した画像を学習セットとして整理し、欠陥の位置とクラスを人手で付与する。第三はモデル学習で、物体検出や画像分類のネットワークが一般的であり、少数ショットの場面では正常サンプルだけを与えて良品の分布を学び、逸脱を異常として検出する異常検知手法を使う。第四は配備と推論で、モデルは産業用PCやエッジ演算ボックス上で動き、PLCや排出機構とインターロックしてリアルタイムの合否判定と自動選別を行う。
主要能力はいくつかの指標で判断する。検出率、過剰排除率(良品を不良と判定した割合)、1枚あたりの推論時間、段取り替えのデバッグ時間である。中小製造業が特に注意すべきは過剰排除率で、これが高いと多くの良品が誤って排除され、ライン効率が実際に落ちる。モデル反復の能力も重要である。ラインの品番が変わったとき、新しいサンプルの収集とモデル更新を半日以内に完了できるかどうかが、そのシステムが「使えるだけ」か「本当に良い」かを決める。
3. 製造業における典型的な適用場面
電子機器工場がコネクタを生産し、これまで端子外観を2名の検査員に頼り、主にピンの傾き、めっき傷、付着異物を確認していた場合を想定する。こうした欠陥は反射の強い背景に対して小さく、2時間連続で見続けると見落としが出始める。AIビジョンソリューションを導入した後は、既存のコンベアにカメラとバックライトを追加し、良品・不良のサンプルを数千枚集めてモデルを学習させ、配備後はピンの傾きや傷の検出が安定し、過剰排除も許容範囲に収まるため、検査員は指摘された部品の再判定へ移り、人員の圧力は明らかに緩和される。
自動車部品メーカーが金属プレス品を生産し、欠陥としてバリ、プレス痕、材料欠けがある場合を想定する。プレス面の反射は不均一で、従来のビジョンでは誤判定が多い。AIビジョンと多角度照明を組み合わせると、モデルはバリとプレス痕をルールアルゴリズムよりはるかによく分離できる。こうした企業は通常、多品種少量で段取り替えが頻繁なため、選定ではモデル反復の速さに重点を置くべきである。
もう一つのよくある場面は包装・印刷で、印刷ラベルの文字のかすれ、見当ずれ、汚れを検査する。これらの欠陥はコントラストが比較的高く、AIビジョンにとって難しくないため、中小製造業の最初の一歩として適している。
4. 選定の要点と導入アドバイス
第一に、検査対象と合否基準を定義する。欠陥の種類を明確に列挙し、種類ごとに十分なサンプルを集め、何が許容で何が許容でないかを定義する。基準が曖昧なプロジェクトは、AIを使ってもうまくいかない。
第二に、純粋なカスタム案件よりも標準化製品を優先する。外観欠陥、寸法測定、文字認識といった特定の場面に向けた標準化されたAIビジョンソリューションはすでに市場にあり、導入期間が短くコストも抑えられる。15以上の業界にまたがる120社超の顧客にサービスを提供し、製品化がある程度成熟している提供者もおり、詳しく見る価値がある。
第三に、現場の照明テストで撮像方式を検証する。アルゴリズムのデモ動画に頼らず、サプライヤにカメラと光源をラインへ持ってこさせて実際の画像を撮影し、その撮像結果に基づいてモデルを論じる。
第四に、小さなステーションで試験する。1本のラインの1つの検査点を選び、2〜3か月動かして、検出率と過剰排除率が目標を満たすかを確認してから、他のステーションへの横展開を検討する。工場全体に一斉展開するのはリスクが大きすぎる。
第五に、投入と産出を明確に計算する。検査員が何人減るのか、顧客クレームがどれだけ減るのか、手直しがどれだけ避けられるのか。これらの勘定は事前に作り込まなければならない。AI外観検査の価値は人件費の削減だけでなく、検査の一貫性とデータのトレーサビリティにもある。
5. 動向
第一に、少数ショット学習と自己教師あり学習が進み、段取り替えに必要なサンプル量は下がり続け、多品種少量の企業の導入コストはさらに下がる。第二に、エッジ推論ハードウェアは安くなり続け、検査の演算はライン上のPLCと同じように当たり前の装備になる。第三に、AIビジョンはMESや品質管理システムと接続し、検査データが品質トレーサビリティの連鎖へ直接流れ込み、点の検査から工程内の品質管理へ移る。中小製造業にとって、今始めるのは早くも遅くもない。重要なのは最初のステーションを正しく選ぶことである。