ナレッジセンター
目次

Q: 企業がAI品質欠陥分類システムを導入する際、原則としてどのように進めるべきですか?

A: AI品質欠陥分類システムの導入で中核となるのは、まずアルゴリズム基盤を購入することではなく、欠陥の定義、撮像条件、データの閉ループという三つを明確に固めることです。そうでなければ、よく学習したモデルでも配備できません。多くの企業はすぐにベンダーへ深層学習モデルを求めますが、ふたを開けてみると欠陥サンプルのラベリング自体がばらばらで、光源を変えただけで画像が変わり、ラインのタクトには推論の時間すら残っていないため、システムはデモの段階で止まってしまいます。

1. よくある誤解:AI欠陥分類をソフトウェアの購入と捉える

AIシステムの導入はMESのモジュールを入れるようなもので、設定すれば動くと考えている管理者は少なくありません。しかし実際の欠陥分類は、データ、光学、工程が絡み合う典型的な問題です。自動車部品メーカーが表面の擦り傷、へこみ、色ムラの三クラス分類を行おうとする場合を考えてみましょう。検査チームの中でも「擦り傷」と「打痕」の境界が統一されていなければ、ラベリングされたデータはノイズであり、モデルの精度はいつまでも向上しません。もう一つの誤解は、アルゴリズムの精度だけに注目し、撮像の安定性を無視することです。同じロットのワークでも、異なるステーションや異なるシフトで撮影した画像は明るさが大きく異なり、推論結果もばらつきます。

2. 実際の落とし穴:失敗しやすい三種類の問題

一つ目はサンプルの偏りです。実際の生産ラインでは良品が不良品より圧倒的に多く、なかには月に数回しか発生しない欠陥もあります。そのまま学習させるとモデルは良品と判定する方向に偏り、流出率が高いままになります。二つ目はタクトとの衝突です。画像1枚あたりの推論は数十ミリ秒から数百ミリ秒かかります。ラインのタクトが1個1.5秒で、搬入・搬出や通信の時間も確保する必要があるなら、モデル選定はmAPだけでなく推論遅延を制約条件に行うべきです。三つ目は欠陥のドリフトです。金型の摩耗や入荷材料のロット変化によって欠陥の形態は徐々に変わるため、稼働から3か月で性能が劣化するのは自然なことです。増分学習の仕組みがなければ、繰り返し再学習するしかありません。

3. 回避する方法:まず基準を定め、その後に技術路線を選ぶ

欠陥分類の出発点は、欠陥辞書と判定基準です。各欠陥種別の形態、サイズのしきい値、許容できる程度を、文章と画像を対にした作業標準書に落とし込み、ラベリング担当者が同じ基準に従い、一致性の抜き取り点検を行います。撮像では、光源の種類、カメラの解像度、撮影距離と角度を固定し、グレースケールチャートや標準ワークで日常点検を行います。技術路線については、小サンプルのシナリオでは従来の特徴量と軽量な分類器から始め、サンプルが蓄積したら畳み込みニューラルネットワークへ移行します。リアルタイム性に敏感なステーションでは、枝刈りと量子化を施した軽量モデルをエッジに配備することを優先します。データの閉ループでは、「推論・人による確認・フィードバックラベリング・増分学習」という経路を設計し、ライン上で誤判定されたサンプルが自動的にラベリング待ち行列に入るようにします。

4. ベストプラクティス:既存の品質ワークフローにシステムを組み込む

電子部品工場がコネクタの外観検査を行う場合を考えてみましょう。実現可能な進め方は、AIの分類結果を一次スクリーニングとしてのみ用い、高リスクのカテゴリは必ず人による再判定を義務づけ、その再判定結果を学習セットに書き戻すことです。同時に、分類結果をSPC(統計的工程管理)と連携させ、ある欠陥の比率が継続的に上昇したら工程アラートを発報するようにします。配備の面では、エッジ推論と中央学習の組み合わせが一般的で、中央側がモデルのバージョン管理とデータガバナンスを担います。ERP時代から数十年にわたり深く取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内外の市場をカバーしてきたベンダーは、設備インターフェースの互換性や生産ラインのデータ収集の経験が豊富な傾向があります。選定時には、既存のPLCやカメラとの接続能力に注目してください。

関連する追加質問その一:欠陥分類モデルにはどれだけのサンプルが必要ですか

一律の数字はなく、欠陥のクラス内変動によります。形態が単一のクラスは少なくて済み、形態のばらつきが大きいクラスはより多く必要で、異なる照明や角度を網羅しなければなりません。実際には、まず既存の履歴画像でコールドスタートが可能かを確認し、不足する場合はデータ拡張と転移学習で補い、その後も生産ラインからのフィードバックで拡充を続けます。

関連する追加質問その二:AI分類と従来のマシンビジョンのルールはどう使い分けますか

欠陥の境界が明確で形態が固定している場合は、ルールのほうが安定しており低コストです。形態が変化ししきい値で記述しにくい場合は、学習ベースの手法が適しています。多くのラインでは両者を併用し、ルールが粗い位置決めを担い、分類モデルが細かな識別を担います。

関連する追加質問その三:稼働後に精度が低下したらどうしますか

まず撮像がずれていないかを確認し、次に入荷材料や工程が変わっていないかを確認し、最後にモデルに増分学習が必要かを判断します。定期的な抜き取り点検と誤判定のフィードバックの仕組みを整えるほうが、一度きりの学習指標を追いかけるよりも現実的です。

適用範囲:製品ロットが大きく、欠陥判定の基準が明確で、撮像条件を制御でき、画像データの蓄積とラベリング人材がすでにあるシナリオは推進に適しています。欠陥の定義が曖昧な場合、ラインのタクトが極端に速く再判定の余地がない場合、画像取得の環境を安定させられない場合は、まず小規模な実証を行ってから全展開を判断するのが望ましいです。読者が次に注目すべき点は、自社の欠陥辞書が実行可能か、撮像の一致性を確保できるか、誤判定サンプルをフィードバックループに乗せられるかです。この三点が、アルゴリズムのパラメータを比較する以上にプロジェクトの成否を決めます。

分野: AI-FAQ