ナレッジセンター
目次

安陽:AI 外観検査システム

安陽の食品・飲料工場で AI 外観検査システムは実際に何ができるのか。答えは明快である。包装、充填、密封、ラベル、仕分けにおける、人の目と手に頼る反復的な検査作業を、産業用カメラとアルゴリズムモデルによるインライン判定に置き換え、流出率と誤検出率を計測・追跡できる水準まで下げる。安陽の食品・飲料産業は小麦粉製品、食肉製品、スナック菓子、飲料の充填を中心とし、ラインのタクトが速く、包装形態が多く、ロットの切り替えが頻繁である。まさに AI 外観検査が根を張る土壌である。

1. AI 外観検査が解決する課題と、従来のマシンビジョンとの違い

従来のマシンビジョンはルールで語る。技術者がグレースケールのしきい値、エッジの位置、面積の範囲といった基準を事前に書き、部品、照明、包装フィルムの反射率が変わればルールを調整し直すため、ラインの段取り替えが試運転調整で停滞しがちである。AI 検査は別の道を取る。サンプルでモデルを学習し、欠陥がどのような見え方をするかをアルゴリズムに学ばせる。印刷色のずれ、シールのしわ、ラベルの傾き、異物の混入といった境界の曖昧な欠陥では、その判定は純粋なルールベースの方式より明らかに強い。

三つの中核課題を解決する。第一は目視検査の安定性である。コンベアを四十数分見続けると注意力が落ち、夜勤ではさらに悪化するが、AI は疲れない。第二は欠陥データの保存で、人の検出はノートに頼るが、AI はすべてのフレームをタイムスタンプとステーション番号付きで保存し、特定のバッチまで遡れる。第三は段取り替えの効率で、包装仕様を頻繁に切り替える多品種のラインでは、ルールを書き直すよりモデルを切り替えるほうが速い。

2. AI 外観検査システムの中核機能と技術的要点

技術的には、典型的な食品・飲料向け AI 検査システムは五つの部分からなる。撮像ユニット、トリガと同期のユニット、推論ユニット、排出ユニット、データ管理モジュールである。

撮像では、産業用エリアセンサカメラにバー照明やドーム照明を組み合わせるのが一般的な構成で、解像度は最小の欠陥サイズから逆算する。0.2mm のシール部の汚れを検出するには、画素精度は一般に一画素 0.05mm 以内でなければならない。高速の充填ラインは毎分数百個に達することがあり、カメラのフレームレートとトリガのタイミングをエンコーダ信号にハード同期させなければならない。そうでなければ像のぶれが判定を破壊する。

アルゴリズム側は二種類のタスクをカバーする。分類は合否を決め、検出は欠陥の位置とクラスを出力し、セグメンテーションは不規則な異物の輪郭を抽出する。導入では一般に軽量な畳み込みネットワークをフロントエンドの推論に使い、量子化したモデルをエッジの産業用 PC や GPU 推論ボックスで動かし、単一フレームの推論遅延を数十ミリ秒に収めてライン速度に追随させる。

通信と連携は軽視されがちである。システムは通常、排出信号を OPC UA や Modbus TCP で PLC とやり取りし、バッチの品質データを MES のインターフェースでアップロードし、一部のシーンではライン状態のインターロックのために SCADA と接続する。食品業界には衛生要件があるため、カメラと照明の筐体は一般に少なくとも IP65 の保護等級を持ち、洗浄エリアではステンレス筐体と防水コネクタが必要になる。

3. 安陽の食品・飲料業界における典型的な適用シーン

安陽で乾麺を包装する小麦粉製品企業の例を挙げる。フィルムには製造日とバッチ番号が印刷されており、目視では見落としやすい。AI システムは密封後のステーションにカメラを設置し、日付の文字認識と印字の完全性を判定する。文字の欠け、かすれ、設定範囲を超えるずれがあれば排出し、画像はバッチ単位で保存する。

飲料の充填工場で完成した PET ボトルを検査する場合を考える。キャップの傾き、液面の不足、ラベルのしわが頻度の高い欠陥である。システムは充填と打栓の後に検査ステーションを設け、バックライトとフロントライトを組み合わせて液面ラインとキャップのシール面の輪郭を別々に判定し、ラベルステーションには別途カラーカメラを置いて文字と図柄を照合する。こうしたシーンは高いタクトを要求し、モデルはボトル種別ごとに作り、ボトルが変わったら再注釈ではなくモデルを切り替える。

食肉やスナック菓子の現場でも異物管理のニーズが高い。髪の毛、プラスチック片、金属片の包装内への混入である。ビジョンは不透明な異物には有効だが、金属片は金属検出器との組み合わせた判定が必要で、AI 検査が外観の欠陥を、金属検出器が材質の異常を担うという境界を事前に引いておくべきである。

4. 選定と導入で注意すべき点

第一のよくある疑問は連携である。新旧の工場で差が大きい。旧ラインの PLC はイーサネットポートを持たず有接点 IO しか対応していないことがあり、その場合は排出信号をリレー出力にするほうが確実である。新ラインは一般に OPC UA に対応し、ライン状態を直接読んでインターロックできる。選定では、ベンダーに既製の PLC 連携事例があるかを確認すべきで、プロトコルの適合で往復するのは避けたい。

第二はハードウェアの条件である。食品の現場はスペースが不足しがちで、検査ステーションは既存のコンベアに埋め込む必要があり、カメラブラケット、照明位置、排出機構の設置スペースを事前に測っておかなければならない。現場の温度、湿度、粉塵、洗浄の習慣も明確に伝えるべきである。年間を通じて湿度が高い環境でのレンズの曇りは、一般の産業用カメラでよくある故障である。

第三は導入期間と手順である。妥当なリズムは六つのステップ、すなわち現場調査、サンプル収集、モデル学習、オフライン検証、ラインでの試行、モデルの反復である。サンプル収集が最も時間のかかる段階で、不良サンプルの不足がよくある問題になる。良品サンプルは集めやすいが不良は集めにくく、ベンダーは通常データ拡張で補うが、実際の欠陥分布はライン上で蓄積していくしかない。稼働後の初期は人手の再検査を残して二重系で比較し、十分なバッチを流してから人を外す。

第四はよくある誤りである。多くの工場は、カメラを買ってソフトウェアを入れれば終わりだと考え、照明と治具が画質の土台であることを見落とす。また AI 検査を万能鍵のように扱うが、実際には高反射のフィルム、変形の大きいフレキシブル包装、透明ボトルは撮像が難しく、標準構成ではなく専用の光学評価が必要である。

第五はコスト構造である。主にハードウェア、ソフトウェアライセンス、導入サービス、継続的な保守に分かれる。ハードウェアはステーション単位、ソフトウェアはモデル数またはラインライセンス、導入サービスは現地の試運転調整とモデル学習、保守はモデルの反復とリモートサポートを含む。ステーションを横展開する際は一ステーションあたりの限界費用が下がるため、計画段階で計算しておくべきである。

5. AI 外観検査が適する工場と適さないシーン

適するシーンには明確な特徴がある。ラインのタクトが比較的安定し、入荷の一貫性がよく、欠陥が主に目に見える外観で、ロットの切り替えに規則性があることだ。安陽の小麦粉製品の包装、飲料の充填、スナック菓子の袋詰めといった工程では、撮像方式がしっかりしていれば成功率は高い。

適さないケースも明確に述べておく。高反射のメタライズドフィルム、変形の大きいフレキシブル包装、暗色ボトル内部の異物検出は光学的に難しく、別途の評価、場合によっては別の検出原理が必要である。不良サンプルが極端に少なく、不良の形態がまったく予測できない工程では、モデル学習の根拠がなく、短期間で使える精度には達しない。タクトが極端に速く、排出の応答枠が非常に狭いシーンでは、トリガから作動までのエンドツーエンドの遅延も確認しなければならない。

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、国内と海外の両市場をカバーしてきたシステムソリューションのベンダーは、食品・飲料の検査において相当に充実した PLC 連携ライブラリと現地導入の経験を持つことが多い。選定ではアルゴリズムの指標だけでなく、類似工程に対する撮像方式の成熟度とモデルの反復の仕組みに注目するとよい。検査システムは最終的にライン上で安定して動かなければならず、単点の精度よりもエンジニアリング能力に注目すべきである。

分野: スマート工場百科