電線・ケーブル業界で AI 外観検査が本当に解決するのは、経験ある検査員の目に依存していた外観・寸法検査を、定量化でき、追跡でき、タクトタイムに対して安定した機械の判断へ変えることである。中国南西部の重要な自動車・機械製造拠点である柳州には、ワイヤハーネス、マグネットワイヤ、ゴム被覆ケーブルの関連産業が集まり、導体の欠陥、絶縁の偏心、印字の可読性に対する要求は厳しくなっている。AI 外観検査は、まさに人の目が届きにくいところに位置する。以下では、実際の導入で出てくる問いに沿って分解する。
1. ケーブル生産で AI 外観検査が解決するもの
端的に言えば、検査ステーションの作業のうち「見続ける」部分を置き換える。伸線、撚線、押出、ケーブル組立、印字の各工程では、導体のバリ、断線、絶縁の傷、偏心、気泡、印字のかすれ・欠け、長さ表示のずれといった欠陥がよく発生する。このうち一部は従来の光電センサでは測れない。絶縁表面のわずかな色むら、局所的にぼやけた印字、ケーブル表面の細かなピッチングなどである。AI ビジョンは産業用カメラで画像を取得し、学習済みモデルで画素レベルの分類とセグメンテーションを行い、欠陥位置を枠で示してカテゴリを付与する。工程を変えるのではなく、合否の基準を固定し、シフトや作業者が変わっても判断が収束するようにする。
2. 中核機能と技術要点
撮像が土台になる。ケーブルは連続的に動く製品で、ライン速度は一般に毎分数十メートルから数百メートルに達するため、エンコーダでトリガするラインセンサカメラ、またはストロボ照明で動きを止めるエリアカメラが必要になる。分解能は計算で決める。100 ミリメートルの視野で最小 0.1 ミリメートルの欠陥を捉えるなら、横方向に最低 1000 画素が必要で、実際の設計では通常 2〜3 倍の余裕を取る。同軸照明や低角の暗視野照明は、表面の傷や凹凸を浮かび上がらせるためによく使われる。
アルゴリズムは二つの系統に分かれる。一つは従来のビジョンと深層学習の分類器の組み合わせで、まず関心領域を特定して切り出し、分類ネットワークに送って OK か NG かを判定する。もう一つはセグメンテーションネットワークで欠陥マスクを直接出力する方式で、偏心の測定や印字の完全性検査に適する。検査タクトはラインに合わせる必要があり、一般的な押出ライン速度では 1 フレームの処理を数十ミリ秒に収める必要がある。通常は GPU 推論か、エッジの産業用コンピュータに載せた軽量モデルで実現する。
連携面では、設備は通常 OPC UA や Modbus TCP で押出機や巻取機の PLC と通信し、NG 信号をラベラーやインクジェットの排除機構へ送る。検査データは MES インターフェース経由でアップロードし、項目はシフト、設備番号、欠陥カテゴリ、メートル位置をカバーする。これは ERP 時代から数十年の実績、120 万社の顧客、国内外市場で数千万台の導入端末を持つ産業ソフトウェアベンダーが提供する MES や SCADA と整合する形であり、AI 外観検査はそこに一つのデータソースとして加わるだけである。
3. 典型的なケーブルのシーン
押出後の絶縁表面を検査するゴム被覆軟質ケーブルの工場を例にする。ライン速度は毎分 80 メートル、表面にはわずかな反射があり、主な欠陥は傷と異物混入である。この場合は暗視野照明とラインセンサカメラ、0.2 ミリメートル以上の傷をマーキングするセグメンテーションモデルが適する。ゴム表面は反射が不均一であるため、照明計画は現場で調整する必要があり、光ケーブルや PVC ラインのパラメータをそのまま流用してはならない。
次に、自動車ワイヤハーネスの導体を手がける企業では、印字工程で文字の完全性と長さ表示の精度を判定する必要がある。かすれ、二重写り、異常な字間はいずれも NG である。このシーンはカメラの高分解能とトリガ同期が要求され、通常はエンコーダ分周トリガ付きのエリアカメラと、文字領域を検出して 1 文字ずつ照合するモデルを使う。もう一つのシーンは導体の撚線後の断線検出で、目視では難しく、画像だけでは見落としやすいため、渦電流やレーザ外径計とのマルチモーダル融合が必要になることが多い。
4. 選定と導入で繰り返し出る論点
導入にはどんなハードが必要か。押出ラインでは通常、産業用カメラ 1〜2 台、専用光源、エッジ演算用の産業用コンピュータ、排除または警報のアクチュエータを用意する。現場には安定した取付ブラケットが必要で、ラインの振動によるモーションブラーを避ける。高温多塵の現場ではカメラに保護ハウジングを付ける。
導入にはどれくらいかかるか。単一工程・単一設備のビジョン検査なら、照明のセットアップ、サンプル収集、モデル学習、ラインでの試行運転まで通常 4〜8 週間である。複数設備への横展開と MES 連携まで含めると 2〜3 か月になり、その大半はサンプルの網羅性と現場ネットワークの改修に費やされる。
コストはどこにあるか。カメラとレンズ、光源、産業用コンピュータがハードの主要部分で、アルゴリズムのライセンスまたは個別開発がソフト部分、さらに現場での調整と後のモデル反復の工数がある。ケーブル業界は品種が多く仕様変更も頻繁なため、モデルを素早く切り替えられることが重要で、これは選定で見落とされやすい点である。
よくある誤りは二つある。一つはサンプルは多ければ多いほどよいという思い込みで、実際には欠陥サンプルのアノテーションの一貫性が量より重要であり、基準がばらつくとモデルの境界がぼやける。もう一つは AI 外観検査を完全無人化と捉えることで、ラインには再判定とサンプルフィードバックを行う人が残り、モデルが収束し続けるために必要である。
5. 適用可否の境界はどこにあるか
適するシーンは、タクトが比較的安定し、入荷材料のばらつきが小さく、欠陥の視覚的特徴が明確な工程である。押出後の表面検査、印字検査、ケーブル組立後の外観検査などが該当する。照明を制御でき、欠陥の形態が繰り返されるため、モデルが収束しやすい。
適さない、または慎重に評価すべきシーンは、反射の強い金属導体の表面、変形の大きい軟らかい線材、そして欠陥の定義自体が曖昧な場合である。画像で表現できないざらつき感などがそれにあたる。欠陥サンプルが極端に少なく数か月に一度しか発生しない場合、純粋なビジョンだけで信頼できるモデルを学習するのは難しく、ルールや他のセンシングとの組み合わせが必要になる。速度が非常に高く振動の強い旧ラインも、アルゴリズムを論じる前に撮像の安定性を解決しなければならない。