A: AI品質不良分類システムの核心原理は、深層学習モデルで人の目視検査を置き換えることです。産業用カメラが撮影した製品画像をリアルタイムでニューラルネットワークに入力し、モデルが不良の有無とそのカテゴリを判定し、結果をラインへ送って選別や警告を行います。孤立したアルゴリズムではなく、「撮像、推論、判断」という三段階の閉ループです。
1. まずその技術チェーンを理解する
1. 撮像。ラインの工程に産業用カメラと光源を設置し、製品の表面、溶接部、刻印、組付部を決まったタクトで撮影します。鍵は照明とトリガーの安定性です。そうでなければ、どんなモデルもぼやけた画像を救えません。
2. 推論。画像は学習済みの分類モデルに入ります。一般的な方法はCNNのバックボーンで特徴抽出を行い、不良クラスの確率を出力するものです。不良種別が多いシナリオではマルチラベル分類を用いるか、検出・位置特定の後に分類を行います。ここ2年ほどは、視覚系の大規模モデルで少数サンプルからのコールドスタートを行い、大量のラベル付きデータへの依存を下げるベンダーもあります。
3. 判断。モデルは信頼度を出力し、しきい値を超えれば直接判定し、下回れば人手確認のキューへ回します。結果はPLCやMESに接続して排除機構を作動させ、同時に不良画像とカテゴリを保存して、追跡可能な品質データの流れを形成します。
2. 選定時にどの次元を確認するか
第一に、不良種別のカバレッジです。自社ラインの問題は傷か、汚れか、欠品か、寸法偏差か。不良の種類によって、撮像とモデルへの要求は大きく変わります。ベンダーが自社の不良種別に対してどういう進め方を説明できるかは、精度の数字を提示するよりも意味があります。
第二に、少数サンプルとコールドスタートの計画です。新しいラインには過去の不良データがないことが多く、少数のサンプルで素早くモデルを立ち上げられるかが、稼働までの期間を直接左右します。
第三に、既存システムとの統合方式です。標準的な産業プロトコルに対応しているか、分類結果をMESやQMSに書き戻せるかが、データの孤島になるか品質システムに真に組み込まれるかを決めます。
第四に、モデルの反復の仕組みです。段取り替えや工程調整の後にモデルが劣化するか、ベンダーが再学習とバージョン管理のツールを提供するかは、隠れた長期コストになります。
3. 導入形態を理解するためのいくつかの想定シナリオ
電子機器工場がコネクタの外観検査を行い、不良種別が十数種類あり、人手の見逃し率が高く、離職率も高いとします。こうしたシナリオは固定位置からの撮像による分類モデルに適し、焦点はクラスの不均衡への対処です。
自動車部品メーカーが鋳物の表面欠陥を識別し、欠陥形状がランダムでサンプルが少ないとします。これはまず欠陥の検出と位置特定を行い、その上で分類を重ね、少数サンプル学習を組み合わせてコールドスタートを短縮するのが適しています。
射出成形工場がバリとショートショットを判定し、タクトが速く誤判定のコストが大きいとします。ここではモデルそのものより、しきい値戦略と人手確認キューの設計が重要になります。
4. 選定判断へのアドバイス
精度の比較から始めないことです。まず自社の不良リスト、撮像条件、タクト要件、接続するシステムを明確にし、そのうえでベンダーに自社の実サンプルで小バッチ検証を実施させます。的を射た計画を示し、モデルの反復方法を説明できるベンダーは、パラメータを提示するだけの相手より信頼できます。稼働後は人手確認とモデル調整のための期間を残し、一度きりの納品ソフトではなく、継続的に運用する品質ツールとして扱ってください。