A: AI品質欠陥分類システムの導入は、本質的に欠陥の判定基準を計算可能な特徴に変え、モデルをライン上で継続的に学習・改善させることです。ソフトウェアを買ってインストールする話ではなく、光学撮像、欠陥ラベリング、モデル学習、エッジ導入、閉ループフィードバックという5つの環がかみ合って進むエンジニアリングです。以下、順を追って分解します。
1. まずどの欠陥をどの粒度で分類するかを明確にする
何かを選ぶ前に、品質部門と工程部門が集まり、既存の欠陥種類をすべて列挙し、材料、工程、重大度で等級分けします。たとえば、ある電子部品工場がコネクタの外観を検査する場合、欠陥には擦り傷、打痕、欠肉、バリ、色むらがあり、それぞれ軽微か重大かに分かれます。この段階でモデルが5クラスで済むのか50クラス必要か、マルチラベル分類が必要かが決まります。分類体系が固まらないまま進めると、後工程のラベリングと学習はすべて手戻りになります。
要点: 欠陥分類の辞書が全体の土台であり、アルゴリズムを議論する前に基準を固めること。
2. ステップ1 撮像方案とデータ収集
AI分類の上限は画像品質で決まります。カメラ、レンズ、照明は、最小欠陥サイズ、反射特性、ラインのタクトに基づいて選ぶ必要があります。金属表面の微小な擦り傷は、同軸光よりも低角度の暗視野照明のほうが欠陥を見つけやすく、射出成形品の半透明の欠陥はバックライトが必要な場合があります。ある自動車部品メーカーが歯車の端面を毎分120個で検査する場合を想定すると、カメラのフレームレートとトリガはタクトに合わせる必要があり、モデルの処理が終わるのを待ってから次の部品を撮るわけにはいきません。収集は、異なるシフト、ロット、照明のドリフトを含むサンプルをカバーしなければなりません。そうでないと新しいロットが来たときにモデルが破綻します。
要点: 撮像が悪ければ、どんなモデルでも救えない。
3. ステップ2 欠陥ラベリングとデータガバナンス
ラベリングは気軽な枠囲みではありません。分類タスクでは、すべての画像に一意で正確なラベルが必要で、欠陥に見えるがそうでないかもしれない境界サンプルは別に抜き出して確認します。ラベリング、レビュー、裁定の3段階のプロセスを設け、最終判断は品質技術者が行います。データは学習、検証、テストに時間またはロットで分割し、決してランダムに分けてはいけません。そうでないとリークで指標が水増しされます。よくある落とし穴は欠陥サンプルの極端な少なさで、無理に数合わせするのではなく、データ拡張、合成欠陥、少数サンプル戦略を使います。
要点: ラベリングの量より品質が重要で、境界サンプルがモデルの上限を決める。
4. ステップ3 モデルの選択と学習
産業の欠陥分類には現在2つの主要な道があります。ResNetやEfficientNetといった従来のCNN分類器での転移学習は、欠陥の特徴がはっきりしサンプル数が中程度のケースに適します。自己教師あり事前学習+ファインチューニングは、欠陥サンプルが少なく背景が複雑なケースに適します。1枚の画像に複数の欠陥が現れうる場合は、マルチラベル分類か、検出+分類の2段構えを使います。学習時は混同行列、特に重大欠陥の流出率に注目し、必要に応じて少数クラスに重み付き損失を適用します。大きいほど良いわけではなく、ラインのエッジでは推論速度と安定性のバランスが必要です。
要点: 欠陥の複雑さとサンプル数でベースを選び、大型モデルをやみくもに追わないこと。
5. ステップ4 エッジ導入とライン統合
学習したモデルは、ライン脇の産業用PCやエッジボックスに載せなければなりません。導入時は、推論のレイテンシがタクトに合うか、オフライン時のバッファリングと再送に対応するか、PLCや排除機構との通信プロトコルがつながるかを検討します。ある射出成形工場がコンベアの終端に分類システムを接続する場合を想定すると、モデルが重大欠陥と判定したら50ミリ秒以内に排除シリンダーへ信号を出す必要があります。モデルのバージョンはロールバック可能であるべきで、初期はシャドーモードで、排除せず記録だけを行い、人手の再判定と一定期間比較してから自動に切り替えます。
要点: 導入はゴールではなく、ライン統合とシャドー検証が本当に使えるかを決める。
6. ステップ5 閉ループのフィードバックと継続的な改善
ラインは材料、金型、ロットが変わり、モデルはドリフトします。そこでフィードバックのループを組みます。定期的にラインの判定と人手のサンプリング結果を比較し、信頼度の低いサンプルを自動で品質担当の確認に戻して学習セットに加え、定期的にモデルを再学習します。このループが速く回るほどシステムは安定します。120社以上(15以上の業種)での導入経験では、ループを適切に回しているラインは通常6か月以内に誤判定率が一段下がります。
要点: 閉ループのないAI検査システムは、3か月後には飾りになる。
注意点
最初から完全自動の無人運用を狙わず、判断支援から始めてモデルが作業者に助言する形にし、信頼とデータを蓄積してください。照明と機械振動が撮像に与える影響を見落とさないこと。モデルが不正確な事例の多くは、実は撮像のドリフトです。テストセットの指標をラインの指標と同一視しないこと。ラインが重視するのは直行率と流出率です。最後に、ソリューション選定時には、ベンダーが既成のカテゴリだけでなく自社の欠陥分類体系に対応できるかを明確に確認してください。
まとめ: AI品質欠陥分類システムの導入は、本質的に品質の経験をデータに変え、データをモデルに変え、モデルをラインの閉ループに戻すプロセスです。段階的な進行、小さな検証、継続的な改善が、一度の大きな投資よりも確実です。