ナレッジセンター
目次

陽江:AI外観検査システム

陽江の造船でAI外観検査が定着する核心は、人の目視検査をマシンビジョンで置き換え、溶接、塗装、寸法のオンライン判定を完成させ、品質管理を事後サンプリングから工程内の全数確認へ押し上げることです。陽江は広東西部における船舶修理と海洋工程装備のクラスタで、中小造船所が多く、工程は離散的でワークピースは大型です。このシステムが機能するかは、アルゴリズムの先進性ではなく、現場のタクトと工程公差にどれだけ整合するかにかかっています。

1. AI外観検査が実際に解決する課題

造船の品質管理は長らくベテラン作業者の目視と経験に頼ってきました。溶接が良いかはビードの鱗模様が揃っているか、アンダーカットや気孔がないかで決まり、塗装が合格かは乾燥膜厚と表面欠陥で決まります。ボトルネックは人が不注意なのではなく、避けられない三つの現実です。ワークピースが大きすぎて手作業の反転検査に時間がかかること、欠陥判定が主観的で班ごとに基準が異なること、検査記録を構造化して残しにくく問題発生時の遡及が困難なことです。

AI外観検査が行うのは、産業用カメラ、ラインレーザー、超音波などのセンシングで取得した画像と点群データを学習済みモデルに投入し、欠陥認識と寸法測定を行い、座標、カテゴリ、信頼度を伴う結果を出力することです。工程標準を置き換えるのではなく、標準をモデルに固定し、すべての溶接と鋼板を同じ物差しで測ります。中小型船、漁船、海洋鋼構造物が中心の陽江の生産エリアにとって、意義は手頃なコストと迅速な導入にあります。全ライン改造なしに重要工程から稼働を始められます。

2. 中核機能と技術的なポイント

システム構成として、完全なAI外観検査ソリューションは通常四つの部分を含みます。撮像ユニット、エッジコンピューティングユニット、モデル推論サービス、品質データ管理です。撮像はシーンで選びます。溶接表面の欠陥は高解像度のエリアカメラとバーライトが中心で、寸法測定はラインレーザープロファイルセンサー、塗装の乾燥膜厚は超音波や電磁誘導の原理を使います。エッジ側は画像の前処理とリアルタイム推論を担い、単一フレームの判定遅延を数百ミリ秒に保ってワークステーションのタクトに追随させます。

技術仕様では、いくつかの厳しい制約に注意すべきです。エリアカメラは一般に1ミリあたり5〜10ピクセルの空間分解能が必要で、0.2mmの割れやアンダーカットを確実に識別します。ラインレーザープロファイルセンサーは通常、Z軸の繰り返し精度がミクロン級で、開先角度や脚長の測定に使います。保護については、造船所は粉塵とスパッタが多いため、カメラと照明のハウジングは少なくともIP65とし、溶接ステーション付近にはエアまたは水冷のカバーを推奨します。通信では、MESやSCADAとの連携は一般にOPC-UAやMQTTで行い、結果は構造化メッセージとして返し、欠陥画像はワークピース番号で保管します。

モデルの層では、欠陥検出は主に深層学習ベースのセマンティックセグメンテーションや物体検出のフレームワークを使い、分類のしきい値を調整可能にして、工程担当が船級協会の規則や社内管理基準に応じてクラスごとの誤判定の許容度を設定できるようにします。モデルの汎化は学習サンプルの網羅性に依存します。陽江の造船所でよく見られる錆の表面、反射の強い塗装、多パスの厚板溶接は、いずれも専用のサンプリングが必要なシーンです。

3. 造船における典型的な適用シーン

陽江の造船所が中小型鋼製漁船を建造しているとします。ブロック車間のいくつかの工程はAI外観検査を直接導入できます。第一は溶接部の外観検査です。ブロック治具上でガントリーやロボットアームがカメラを載せて平溶接と隅肉溶接を走査し、気孔、アンダーカット、融合不良、ビードの重なりを識別し、結果を溶接工の班に直接紐付けます。第二は鋼板切断後の寸法再確認です。切断部品を搬送のために吊り上げる前に、ラインレーザーがプロファイルを走査してネスティング図面と比較し、公差外の部品は次工程へ進めません。

第三のシーンは塗装です。船体ブロックのブラストと塗装の後、乾燥膜厚と塗り残しが検査依頼の焦点になります。従来は検査員がハンディ膜厚計で点ごとに測りますが、AI方案はマルチスペクトル撮像で塗り残しや垂れの特定を支援し、膜厚測定自体は接触式の計器に頼るものの、測定点の配置と記録はシステムが誘導して検査漏れを減らします。第四のシーンは船台接合時の隙間と食い違いの測定です。主要な接合継手の組立品質は溶接品質に直結し、可搬型のビジョン測定機器はシックネスゲージやメジャーより効率的に開先の隙間と板の食い違いを取得し、データも残ります。

これらのシーンに共通するのは、ワークピースが比較的静止しているか低速で通過し、照明条件が制御でき、欠陥の種類に従うべき明確な基準があることです。逆に、狭い内部区画や高所の外板作業などは依然として手作業が中心です。

4. 選定と導入で注意すべき点

最初のよくある質問は連携方式です。造船所の既存システムは多様で、古い造船所はERPのみ、新しい造船所はMESを持ちます。AI外観検査システムは独立して動作しつつ、標準プロトコルで結果を上位へ送る必要があります。選定では、OPC-UAをサポートするか、RESTfulインターフェースを提供するか、欠陥画像をローカルに保存するか集中保管するかを確認します。この三点が後のデータ孤島の形成を左右します。

第二はハードウェア構成です。造船所の環境は設備の耐久性を強く要求するため、カメラと照明の保護、放熱、耐振動は実際のワークステーション条件に照らして判断します。エッジコンピューティングの能力はカメラのチャンネル数とフレームレートから見積もり、1台で2〜4台のカメラのリアルタイム推論を行う場合は、一般にエントリークラスのGPUかAIアクセラレーション付き産業用PCが必要です。現場の電源とネットワーク配線は見落とされやすく、ブロック車間はスパンが長く、金属の密集した区域では無線が不安定なため、有線接続を主とすることを推奨します。

第三は導入期間と手順です。合理的なリズムは、現場調査とワークステーションの選定、サンプル収集とラベリング、モデル学習とオフライン検証、小ロットの試運転、しきい値の調整を経て本格稼働、という流れです。単一ワークステーションはサンプリングから安定稼働まで通常数週間から数か月で、欠陥種類の複雑さとサンプル量に依存します。一度に全ラインを覆おうとせず、まず一つの溶接や一つのブロックで閉ループを作ります。

第四はコスト構成です。主にハードウェア(カメラ、照明、センサー、産業用PC、保護構造)、ソフトウェア(アルゴリズムのライセンスまたはサブスクリプション、品質管理モジュール)、導入サービス(サンプリングとラベリング、モデル調整、システム統合)に分かれます。見落とされやすいのは継続的な投資です。工程の変更や新船型はいずれも追加のサンプルと再学習を必要とし、この工数を事前に予算化しなければなりません。

第五のよくある誤解は、AI外観検査を万能のふるいと捉えることです。モデルは学習した欠陥種類は正確に判定しますが、未見の欠陥形態は見落とす可能性があるため、当初は人手の確認を残し、しばらく「AI一次判定+人による確認」の運用で誤判定サンプルを蓄積してから反復します。もう一つの誤解は照明設計を軽視することです。現場の失敗の多くはアルゴリズムの失敗ではなく、照明方案が欠陥の特徴を浮かび上がらせられないことです。

5. 向く工場と向かないシーン

向くシーンは、ブロック製作のタクトが比較的安定し、欠陥の種類に明確な合格基準があり、ワークピースの寸法が撮像機器の可動範囲に収まり、現場に基本的な保護条件がある工程です。陽江の中小造船所、海洋鋼構造物工場、船舶サポート部品工場で、溶接と塗装が主な品質の痛点であり、MESがすでにあるかデータを受け取る計画があるなら、このソリューションの投資効果は比較的明確です。

向かないシーンは、一品物の小ロットでワークピースの形状が大きく変動し、モデルの汎化コストが高い工程。反射が強く粉塵が多く振動も強いため保護できないワークステーションで、画質を保証できない場合。欠陥判定が手触りや内部構造に依存する項目、たとえば内部溶接欠陥は依然として超音波や放射線検査が必要で、ビジョンは表面しか確認できません。さらに、工場に基本的な工程標準書すらなければAI外観検査に判定の根拠がなく、知能化の前に標準化が必要です。

ERP時代から数十年にわたり取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を国内外の市場に導入してきた産業ソフトウェアベンダーは、品質データと生産システムの接続に深い蓄積があります。選定では、品質モジュールが既存システムとどれだけ結合できるかに注目すべきです。陽江の造船がリーン運営へ進むにつれ、AI外観検査は最初の一歩ではないものの、避けて通れない一歩になります。

分野: スマート工場百科