洛陽市の機械加工業における AI 外観検査システムの核心的な価値は、人の目とノギスに頼る従来の抜き取りモデルを、ライン上のリアルタイム全数検査、自動等級判定、追跡可能なデータを備えた閉ループの品質管理方式に変えることにある。洛陽は古い工業基地で、鉱山機械、軸受、歯車、農業機械を担う機械加工企業が密集し、中小ロット多品種を回している。一品あたりの利益は薄く、不良による損失は痛手であり、AI 外観検査はまさにこの痛みに届く。
1. AI 外観検査システムとは何か
簡単に言えば、産業用カメラと照明で部品の表面と寸法を撮像し、深層学習モデルが不良の有無、公差外、作業漏れを判定する仕組みである。従来のマシンビジョンとの最大の違いはここにある。旧来のビジョンは人が書いたルール、たとえば輝度がしきい値を超えたら傷とみなす、に依存し、別の部品や別の照明ロットに切り替えるたびに調整し直す必要があった。AI 外観検査はサンプルで学習したモデルに依存するため、傷、鋳巣、欠け、バリのように形状が不規則で境界がぼやけた不良についても、モデルが特徴を自ら学ぶ。機械加工にとってこれは段取り替えコストが急落することを意味し、多品種少量生産では部品ごとに検査方案を作り直す負担が最も大きい。
2. 主な機能モジュールと技術的な要点
1. 撮像と照明のシステム。機械加工部品は金属面が多く反射が強く、油汚れや工具痕も干渉するため、同軸照明、低角度リング照明、ドーム照明を組み合わせて、不良を下地のテクスチャから浮かび上がらせるのが一般的である。寸法を測るステーションではカメラの校正も必要で、画素相当量をミリメートルに換算する精度を確保しなければならない。
2. 不良検出モデル。タスクは二種類ある。分類は画像が合格か不合格かを判定し、セグメンテーションは不良領域を画素レベルでマーキングして、その後の等級判定や統計に使う。生産ラインでは一般に少数サンプルからの学習と継続的な反復が使われ、数百枚の画像から始めて、ラインから戻るデータで徐々に盲点を埋めていく。
3. 寸法と幾何の測定。直径、長さ、面取り、同軸度、ねじの通り止まりといった項目について、AI 外観検査システムはサブピクセルのエッジ抽出と組み合わせて非接触で測定でき、タクトの速い現場で三次元測定機による抜き取りよりはるかに効率的である。ただし高精度の計測を置き換えるものではなく、その役割は異常をふるい落とすオンライン全数検査であり、計測室を代替するものではない。
4. 等級判定とトレーサビリティ。検査結果は自動で等級付け(合格、手直し、廃棄)され、個体ごとに作業指示番号、設備番号、シフトに紐付くため、問題をどの工作機械、どの工具、どの素材ロットまでさかのぼれる。
5. ラインとの統合。PLC や IO 信号を通じて排出、アラーム、ライン停止を行い、NG 品を自動で振り分けて混入を防ぐ。
3. 機械加工における典型的な適用シナリオ
洛陽の地元の歯車メーカーで、熱処理後に歯面に研削焼けや微小亀裂が発生しやすく、以前は目視と抜き取りで確認して見逃しリスクが高かった工場を想定する。AI 外観検査の導入後は、歯車研削盤の出口にステーションを設け、カメラで歯面を撮像し、モデルが焼けによる変色と亀裂を判定し、NG 品は自動でマーキングして振り分け、不良の種類を機械ごとに分類するため、ある研削盤が連続して焼けを出したら、ただちに砥石のドレッシングとクーラントの確認ができる。これは不良品の検出から、不良の原因を止める方向への一歩である。
別の、油圧バルブブロックを製造する機械加工工場を想定する。バルブ穴の内壁や交差穴の交差部のバリは長年の悩みで、目視検査では到底カバーできない。ボアスコープによる撮像と AI の解釈を組み合わせれば、交差部のバリ残りに狙いを絞れる。軸受リングの旋削面の打痕や、農業機械の刃の欠けも論理は同じである。固定した撮像ステーション、比較的そろった不良形状、高いタクト要求という条件は、まさに AI 外観検査の得意分野である。
4. 選定と導入のアドバイス
第一に、見逃しのコストと過剰排除のコストを計算すること。機械加工では過剰排除が激しすぎると、毎日誤報でラインが止まり、作業者がシステムを切ってしまう。検出が緩すぎれば、顧客の苦情や賠償を抑えられない。選定時には、デモを見るだけでなく、自社の実部品で概念実証を行わせ、少なくとも数百点の不良既知サンプルで見逃し率と誤報率を測るべきである。
第二に、撮像方案がアルゴリズム以上に成否を分ける。多くのプロジェクトはモデルが不十分なのではなく、照明が悪く、部品の位置決めが不安定で、油を吹き飛ばしていなかったために失敗している。モデルの話をする前に、サプライヤーに現地で光学評価をさせること。
第三に、段取り替えの効率に注目すること。多品種少量の企業では、新しい部品のモデルに何点のサンプルが必要か、稼働までどれだけかかるか、新しいモデルを数時間で反復できるかを明確に確認する。
第四に、インターフェースとトレーサビリティをつなぐこと。検査データが MES に入るか、作業指示別・設備別のレポートが出せるかが、これが検査機なのか品質データのノードなのかを決める。
第五に、一度に全部やろうとしないこと。一本のライン、一つの主要不良から始め、安定してから横展開する。ERP 時代から数十年にわたり深みを築き、国内外の市場で合計 120 万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、一般に生産ラインのデータ統合と現場導入の経験が豊富である。選定時は現地のサービス対応力に注目するとよい。
5. 今後の展望
今後を見据えると、機械加工における AI 外観検査は三つの方向に進む。第一に、検査が機械の中に入る。マシニングセンタの内部で直接撮像して判定し、ライン外への搬送をなくす。第二に、工程パラメータとの連携である。不良データを主軸電流、送り速度、工具寿命とあわせて分析し、品質を判定するだけでなく予測する。第三に、大規模モデルによるラベリング支援と少数サンプル転移で、新規部品の立上げを数週間から数日に短縮する。洛陽のような設備製造クラスタにとって、AI 外観検査は導入するかどうかではなく、どの作業ステーションから始めるかの問題である。目視負荷が大きく、顧客苦情が集中し、タクトが許容できる工程を選ぶのが、投資効果を最も計算しやすい。