ナレッジセンター
目次

柳州:AI 外観検査システム

柳州の食品・飲料業界における AI 外観検査システムの中核的価値は、人手による目視検査をマシンビジョンで置き換え、製品が出荷される前に食品安全リスクを食い止めることにある。広西最大の工業都市である柳州は、螺蛳粉(タニシ麺)、即席米麺、飲料充填、調味料を中心に食品・飲料クラスタを形成している。ライン速度は速く、バッチも多く、ラベル表示の規制も詳細であるため、人手検査への負荷は増え続けている。このシステムは、高速ラインにおける人の目の限界に対処する。

1. AI 外観検査システムとは何か

AI 外観検査システムは、生産ラインに設置する自動検査装置で、産業用カメラとアルゴリズムモデルを中心とする。画像の取得、前処理、欠陥認識、結果判定という四つの段階を通じて、製品の外観、包装、ラベル、シールといった品質要素をリアルタイムに判定し、不合格品を自動で排除またはマーキングする。

従来のマシンビジョンとの違いは、AI 検査が深層学習モデルを導入している点にある。従来のビジョンはグレースケールのしきい値やエッジ位置といった手動設定のルールに依存し、製品仕様ごとにパラメータを調整し直す必要がある。AI 検査はサンプルによる学習に依存し、モデルが欠陥の特徴を自ら学ぶため、照明の変化、製品の変形、背景の妨害に対する許容度が高い。食品・飲料ラインでよくある低コントラストの欠陥、たとえば淡色包装の薄い汚れや透明キャップの微細なひびは、従来のビジョンでは見逃しやすいが、AI モデルは多スケールの特徴抽出によって捉えられる。

このシステムは単体の設備ではなく、通常はラインの PLC、排除機構、MES と連動する。検査結果はリアルタイムにアップロードされてバッチの品質ファイルを形成し、異常が起きた際に特定の時間帯とワークステーションを遡れる。

2. 主な機能モジュールと技術的ポイント

1) 画像取得ユニット。中核は産業用カメラと照明の組み合わせである。食品・飲料ラインは高速で、螺蛳粉の調味料パックのラインは毎分100袋を超えることがあるため、カメラのフレームレートと露光時間を合わせる必要がある。照明設計はカメラ選定以上に重要になることが多い。たとえばキャップのシールリングの検査では、輪郭を強調するために斜め照明や同軸照明が必要であり、印刷された包装袋の検査では、ぎらつきを避けるために拡散照明が必要となる。マルチカメラのアレイで複数の面をカバーし、単一視点の遮蔽を解決できる。

2) 欠陥認識アルゴリズム。分類、検出、セグメンテーションという三つのタスク種別に分かれる。分類は画像に欠陥が含まれるかを判定し、検出は欠陥の位置を枠で囲み、セグメンテーションは画素レベルの輪郭まで到達する。食品・飲料のシナリオでは、異物検出は面積を計算する必要があるためセグメンテーションモデルがよく使われ、ラベルの文字欠陥は特定の文字を特定するため検出モデルがよく使われる。モデルの学習は欠陥サンプルライブラリに依存し、サンプル数とアノテーション品質が稼働時の性能を直接決める。

3) 排除と連動制御。不合格品を検出すると、システムは IO 信号やバス通信を通じてエアブロー、プッシャ、フラップ式の排除機構を作動させる。ここには時間同期の問題がある。カメラのトリガから排除動作までに製品はすでに前方へ移動しているため、システムはライン速度とトリガ遅延に基づいて補正しなければならない。排除の確認も重要で、センサで排除が成功したかを検証し、見逃しを防ぐ。

4) 品質データ管理。各製品の検査画像、判定結果、タイムスタンプを保存し、バッチ別、シフト別、欠陥種別別の統計に対応する。SPC のトレンドチャートは、ある欠陥種別が増加傾向にあるかを示し、工程チームの早期介入を助ける。権限管理と監査ログは食品業界では必須であり、トレーサビリティ要件を満たすために欠かせない。

3. 食品・飲料における典型的な応用シナリオ

柳州の即席螺蛳粉メーカーが、包装ラインの末端で、調味料パックがすべて入っているか、袋のシールに内容物が挟まっていないか、印字コードが読めるかを検査する必要があるとしよう。人手の検査員は数時間の連続監視で注意力が落ち、見逃し率が上がる。AI 検査システムを導入すると、ステーションの上方にカメラを設置し、パックの欠品は物体検出モデルで判定し、シール部の挟み込みはシール領域の異物画素をセグメンテーションして識別し、コードの可読性は分類モデルで採点する。不合格品はエアで排除チャネルへ吹き飛ばされ、システムは欠陥種別を記録し、シフト終了後にレポートを生成する。ライン速度が上がっても、検査はもはや人の目のボトルネックではなくなる。

飲料充填工場が、PET ボトルのキャップ締め後に、キャップの傾き、リングの破断、改ざん防止リングの接続状態といった欠陥を検査する必要があるとしよう。これらの欠陥は高速ラインでは人の目では見つけにくい。AI 検査は背面光と側面光を組み合わせた撮像でキャップリングの輪郭を浮かび上がらせ、モデルが輪郭の完全性を判定する。液面高さの検査も同様の考え方で、赤外線カメラでボトル本体を通して充填ラインの位置を見るため、人手のサンプリングよりはるかにカバー率が高い。

もう一つのシナリオは外箱のラベル検証である。食品・飲料製品は出荷前に、外箱に原材料表示、アレルゲン警告、製造日を含む製品情報ラベルが必要で、規制要件が厳しい。AI 検査は OCR でラベルの文字を認識し、システム内の標準テンプレートと比較して、誤印字、記載漏れ、日付形式の誤りを捉える。この工程は以前は人手のサンプリングに頼っていたが、今は全数検査が可能である。

4. 選定と導入の提案

選定は検査対象と欠陥種別から始める。形状が不規則な欠陥種別が多い場合は、深層学習の能力が高いソリューションを優先する。欠陥が明確に定義されサイクルタイムが重要な場合は、従来のビジョンと軽量な AI モデルの組み合わせのほうが経済的なことがある。カメラの解像度は最小の欠陥サイズから逆算すべきで、高ければよいというものではない。過剰な解像度は処理時間と照明の難易度を上げる。

ベンダーに現地での照明テストを実施させること。食品・飲料製品は透明、反射、つや消し、曲面と素材の差が大きく、ラボでの照明結果が実際のライン条件と異なることが多い。現地での試撮影と実際の欠陥サンプルでのモデル実行が、販促資料より信頼できる。

段階的な実施を勧める。まずオフライン検証を行い、過去の欠陥画像でモデルの再現率と誤検出率を試験してアルゴリズムの基盤を確認する。次に試運転で稼働させ、当初は人手の再検査を残して機械と人の判定を比較し、モデルのしきい値を校正する。安定したら人手の再検査を外し、例外処理の体制へ移行する。その間ずっと、判定基準を生産部門と品質管理部門とすり合わせ、何を欠陥とし何を許容できるばらつきとするかを事前に明確にしておく。

ベンダーの継続的なサービス能力も確認したい。食品・飲料製品は入れ替わりが早く、新しい包装や仕様が発売されるとモデルの更新が必要になる。ベンダーがサンプルのアノテーション支援やモデルの反復サービスを提供できるかは、一度きりの納品価格以上に長期的な使い勝手を左右する。ERP 時代から数十年にわたり現場で実績を積み、国内外市場で 120 万社のお客様にサービスを提供し、数千万台の端末を展開してきたベンダーもあり、そうしたベンダーはラインシステムの統合とデータ接続の経験を蓄積しているため、評価の範囲に含められる。

5. 展望

食品・飲料業界の AI 検査は、単点の検出からラインレベルの品質閉ループへ移りつつある。検査データは製品を排除するためだけに使われるのではなく、工程側へ戻されてパラメータ調整に使われる。たとえば、シール温度の変動とシール部の挟み込み欠陥の相関は、システムがある期間稼働した後に統計的に浮かび上がらせることができる。

もう一つの方向は少サンプルと自己学習の能力である。食品・飲料企業は新製品の投入が多く、欠陥サンプルの蓄積が遅いため、少ないサンプルで素早くコールドスタートできるかがベンダーが取り組む技術的なポイントである。生成によるデータ拡張も使われており、欠陥画像を合成して学習セットを補い、実サンプルへの依存を減らしている。

柳州の食品・飲料産業の集積は、AI 検査の導入にシナリオの密度を提供している。同じシステムが螺蛳粉、飲料、調味料のライン間を移行する際、モデルと照明設計を一部再利用でき、限界コストが下がる。ラインのインテリジェント化は設備を一台買うことではなく、検査データを工程改善の入力に変えることであり、地元メーカーもこの考え方を受け入れつつある。

分野: スマート工場百科