衡陽の機械加工業における AI 外観検査の中核的な価値は、高繰り返し、高精度、高タクトの寸法検査と表面欠陥検査で人手を代替し、品質判定を熟練者の経験から追跡可能なデータへ移すことにある。湖南省の老工業基地である衡陽の機械加工の主力は、送変電設備、鋼管の深加工、自動車部品、精密金型に及び、ロットが大きく工程が長く、輸出向けの受注では厳格な全数検査報告が求められる。まさに AI 検査が最も密に適用される領域である。以下では、実際の選定と導入で避けて通れない疑問に沿って述べる。
1. 機械加工で AI 外観検査が実際に解決する課題
解決するのは検査の有無ではなく、三つのことである。全数検査はコストが合わない、抜き取りでは見落としが多い、人の判定がばらつく。機械加工部品の典型的な品質項目は二種類に分かれる。寸法(穴径、平面度、同軸度、ねじの通り止まり)と表面(傷、打痕、錆、異常な工具痕、コーティング不良)である。ノギス、プラグゲージ、目視による人手の抜き取りは遅く、判定の目盛りはシフトごとにずれる。AI 外観検査システムは産業用カメラと光学レンズで撮像し、深層学習モデルで欠陥の分類と寸法測定を行い、一枚あたりの検査タクトを秒単位に圧縮し、画像付きの検査記録を自動生成する。
衡陽の送電金具や継尺なし鋼管の継手といった輸出向け製品では、顧客が検査データ一式を出荷時に添付するよう求めることが多く、人手の全数検査コストは持続できないため、AI 検査と自動仕分けの組み合わせが現実的な道である。
2. 中核機能と技術的要点
核心は三つである。安定した撮像、反復可能なモデル、接続できる結果であり、どれが欠けてもシステムはラインに乗らない。
撮像は三つのパラメータに関わる。カメラの解像度が検出可能な最小の欠陥サイズを決め、機械加工表面の検査では一般に 500 万から 2000 万画素のエリアセンサカメラにテレセントリックレンズを組み合わせて歪みを抑える。カメラ以上に光源の選択が重要で、高反射の金属面は主にドーム照明や同軸照明で眩しさを抑え、粗い鋳物面は低角度の暗視野照明で傷を浮かび上がらせる。保護等級は油と粉塵のある現場向けに IP54 以上とし、レンズにはエアブローやブラシの自浄構造を付ける。
アルゴリズム側は二種類のタスクをカバーする。欠陥検出はセマンティックセグメンテーションや物体検出のモデルで欠陥の位置とクラスを出力する。寸法測定はサブピクセルのエッジ抽出とキャリブレーションターゲットによる換算を用い、繰り返し精度は視野とレンズ倍率にもよるが通常プラスマイナス 0.02mm 以内が求められる。モデルは少サンプルの増分学習に対応しなければならない。新しい工具痕や新しいコーティング工程で生じる欠陥形態は、初期のデータセットでは十分にカバーされないからである。
データ側では、検査結果を OPC UA や Modbus TCP で PLC に出力して仕分けと排出を行い、画像と判定結果をローカルデータベースや MES に書き込んで ISO 9001 のトレーサビリティ要件を満たす必要がある。電磁環境については、現場にはインバータが多くあるため、カメラと照明コントローラは IEC 61340 の ESD 保護と基本的な EMC 要件を満たし、誤動作を避けなければならない。
3. 機械加工における典型的な適用シーン
シーン一。自動車用ステアリングナックルのフランジを加工する企業で、工程は旋削の後に外径と端面の傷の検査を行う。円筒面は高反射のため、ドーム照明と偏光フィルタで反射を抑える。カメラは上方から撮像し、モデルはまずワークの中心を求め、次に半径方向にエッジを測定し、表面欠陥はセグメンテーションモデルで判定する。タクトは六秒以内に収める必要があり、結果はそのままシリンダを駆動して公差外の部品を不良シュートへ押し出す。
シーン二。衡陽で送変電用の絶縁部品に使う金属インサートを加工する工場で、多品種小ロットで切り替えが頻繁である。こうしたシーンには、レシピを切り替えられる固定ステーションが適する。カメラと照明はそのままに、段取り替え時に該当製品のモデルレシピとキャリブレーションパラメータを呼び出し、切り替え時間を10 分程度に収める。ラインごとに専用機を付けると減価償却が合わない。
シーン三。油圧バルブブロックの加工現場で、重要な品質項目が交差穴の内部のバリと切粉の残留である。こうした内部の性状は外部カメラでは捉えられず、回転レンズ付きの工業用ボアスコープと AI 認識、または洗浄後の重量測定と目視確認を組み合わせた方式が必要になる。内部穴の検査は撮像の一貫性に高いワーク位置決め精度が要求され、治具の繰り返し位置決め精度は 0.05mm 以内であるべきことに注意する。
4. 選定と導入で注意すべき点
第一のよくある疑問は、既存の MES や PLC に接続できるかである。答えは可能だが、プロトコルを事前に確認する必要がある。主流の実務では、検査システムのホストコンピュータが OPC UA のクライアントとしてラインの PLC と通信し、OK/NG 信号と不良コードをレジスタに書き込む。MES との連携は通常、データベースの中間テーブルか HTTP インターフェースを通じ、検査時刻、ワークのバーコード、不良種別、画像パスを運ぶ。ラインの PLC が Modbus RTU しか対応せず、レジスタのアドレスが埋まっている場合は、ゲートウェイかプログラムの変更が必要で、その作業量は導入前に調査しなければならない。
第二の疑問は導入に必要なハードウェアである。ステーションには安定した 220V 電源とレンズのエアブロー用の圧縮空気が必要で、周囲の照度は制御可能でなければならない。検査エリアに天井照明が直接当たるとフリッカー干渉を起こすため、必要に応じて遮光フードを付ける。カメラの取付ブラケットは十分な剛性が必要で、プレスや重切削設備の隣のステーションには防振パッドが要る。ネットワーク面では画像データの量が多いため、ステーションまでギガビット、機械室まで 10 ギガビットが望ましく、ローカルに少なくとも三十日分の画像を保存する。
第三の疑問は導入期間である。標準的な単一ステーションのシーンは通常、調査から試運転まで四週から八週である。第一週に現場調査と撮像テスト、第二、三週にサンプル収集と注釈、初期モデルの学習、第四週に PLC と MES の連携、その後二週から四週の並行運転で人手の再判定と AI の結果を比較し、モデルが基準まで反復したら本番稼働とする。品種が多く切り替えが頻繁なラインでは、サンプル収集とレシピの試運転調整が期間を延ばす。
第四の疑問はコストの内訳である。三つのブロックに分かれ、ハードウェア(カメラ、レンズ、光源、産業用 PC、ブラケットと保護)が約半分、ソフトウェアライセンスとモデル学習サービスが三割から四割、残りが現地の連携と試運転調整である。継続的なモデル保守と新品種向けの学習サービス費用に注意し、年間サブスクリプションか一括購入かを選定時に明確にすべきである。
よくある誤りは二つある。一つ目は、実験室でのサンプル精度をラインの精度と見なすことである。治具でのワーク位置決めのずれ、油汚れ、周囲光の変化はいずれも実際の検出率を押し下げるため、受入試験は実際の生産ワークで行わなければならない。二つ目は、一つのモデルですべての品種をカバーしようと期待することである。機械加工部品は形状の差が大きく、多品種の現場では正直にレシピを切り替えるほうが確実である。
5. AI 外観検査が適する工場と適さないシーン
適するシーン。ロットが安定し、入荷の一貫性がよく、欠陥形態の境界が明確な工程、たとえば旋削部品の寸法全数検査、プレス品の表面欠陥の仕分け、標準締結具のねじの通り止まり検査、コーティングの外観検査である。輸出向けの全数検査データが要求される工場、目視検査の職場の離職率が高い工場、下流の顧客が PPM に厳しい工場は、投資効果がより明確である。ERP 時代から数十年にわたりこの分野に取り組み、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産業ソフトウェアベンダーは、MES 連携とラインのデータ接続について既製の経験を持つことが多く、選定ではライン連携の能力を優先して評価する価値がある。
適さない、または慎重な評価が必要なシーン。ほとんど繰り返しのない単品小ロットの大型非標準部品で、モデル学習のサンプルが揃わない場合。高反射の鏡面仕上げ部品で、欠陥が主にミクロン単位の傷である場合、まず撮像の実現性を検証する必要がある。赤熱した高温のワークや切削液の飛沫が多いステーションでは、保護と撮像の安定性を別途評価する。欠陥の定義そのものが曖昧で、熟練者でも基準を言えない工程では、AI を論じる前に品質基準を整理すべきである。さらに、タクトが一秒未満の超高速プレスでは、ビジョンの処理時間がボトルネックになる可能性があるため、エッジコンピューティングの選択肢や、抜き取りと工程パラメータ監視への切り下げを評価しなければならない。
一言でいえば、衡陽の機械加工で AI 検査を定着させる鍵は、アルゴリズムがどれほど先進的かではなく、撮像方式がワークの表面特性に合っているか、工程の変化に応じてモデルを反復し続けられるか、検査データが本当にライン制御とトレーサビリティに流せるかである。この三点を明確にしてから選定の議論に入るべきである。