ナレッジセンター
目次

Q: AI による品質欠陥分類システムの原理は何で、実際の事例にはどのようなものがありますか?

A: AI 品質欠陥分類システムの核心原理は、深層学習モデルで目視検査を置き換えることです。産業用カメラが捉えた製品表面の画像をリアルタイムに小さく分割し、モデルが各画像について傷か、汚れか、欠材か、良品かを判定します。平たく言えば、疲れず、集中を切らさない目を生産ラインに取り付け、その目は使うほどに精度が上がるということです。

1. 分解すると、原理は四段階のパイプラインです

第一段階は撮像です。産業用カメラをライン上に設置し、特定の角度の光源と組み合わせて、製品表面を高コントラストの画像に描き出します。欠陥の種類によって光の当て方が異なり、傷には低角度光、汚れには同軸光が適します。この段階が悪ければ、どんなに強いアルゴリズムでも補えません。

第二段階は前処理と分割です。画像全体はモデルが扱うには大きすぎるため、システムは製品の輪郭や固定グリッドで小さなタイルに分割し、ノイズ除去、強調、正規化を行います。ソリューションによってはデータ拡張も行い、少数の欠陥サンプルを回転、拡大縮小、ノイズ付加して学習セットを増やします。

第三段階は特徴抽出と分類です。ここが核心です。初期のシステムは CNN 畳み込みニューラルネットワークを使い、現在の主流は軽量なバックボーンと分類ヘッドの組み合わせで、MobileNet や ResNet の派生、あるいは Vision Transformer を使うものもあります。モデルは単純な良否ではなく、クラスごとの確率分布を出力します。例えば傷 0.87、汚れ 0.09、良品 0.04 といった形です。ラインはしきい値に基づいて警報を出すか、放出するかを決めます。

第四段階は閉ループの反復です。ラインが稼働すると、システムは信頼度の低い画像を抽出して人が再判定し、その結果が自動的に学習セットへ戻り、定期的に増分学習を行います。この仕組みが、稼働三か月後にシステムがより正確になるか、次第に使い物にならなくなるかを決めます。

2. 実際の事例はどのようなものか

コネクタ端子を製造する電子工場を考えます。プレス工程は毎分数百個を生産し、以前は検査員二人がコンベアの終端を監視しており、見逃し率は疲労とともに変動しました。AI 欠陥分類システムを導入した後、工程の上方に 500 万画素のカメラ二台を設置し、端子の正面と側面を撮影します。システムは傷、ばり、欠材、変形の四種類の欠陥を個別に警報し、欠陥画像をカテゴリ別にデータベースへ保存します。検査員は画面を見つめる仕事から警報対応へ移り、一人で三本のラインを見られるようになりました。半年の運用後、傷に対するモデルの再現率は当初の 80% 強から 95% 以上に上がりました。毎日数百枚の再判定画像が再学習のために戻ってくるおかげです。

次にブレーキパッドの表面検査を行う自動車部品企業を考えます。ブレーキパッドは割れ、気孔、欠け、材料混入など欠陥の種類が多く、なかには極めて微妙なものもあります。この企業はマルチスペクトル撮像と AI 分類を組み合わせ、赤外チャネルを内部割れに、可視チャネルを表面気孔に充てました。稼働後、もっとも直接的な変化は、顧客クレームに占める外観欠陥の割合が明確に下がったことです。これまで抜き取りで見逃していた端部の欠陥を、カメラが捉えたからです。

3. 選定時につまずきやすい落とし穴

実際には、多くの工場が AI 欠陥分類をソフトウェアの購入と捉えていますが、実態は継続的に餌を与え続ける必要があるシステムの購入に近いものです。サンプルが十分か、欠陥の定義が明確か、ラインの振動や照明が安定しているかが、アルゴリズムそのものより成否を左右します。また、欠陥分類と欠陥検出は別物です。検出は異常を見つけ、分類はその異常がどのクラスに属するかを判定します。前者は教師なしでも可能ですが、後者には人が付けたクラス体系が必要です。工場が欠陥クラスの命名すら統一していないなら、システム導入の前にそこを整えてください。

個別の助言:一本の生産ライン、一つの製品種、三〜五種類の欠陥から試行を始め、三か月運用してモデルが安定的に収束するかを見てください。最初から工場全体に展開しないこと。3,200 名以上のエンドユーザー、15 以上の業界、120 社以上のお客様の導入経験が示すのは、試行で成果を証明してから横展開する方が、一度に大きく進めるよりはるかに費用を抑えられるということです。

分野: AI-FAQ