ナレッジセンター
目次

西安:AI外観検査システム

西安の食品・飲料工場におけるAI外観検査システムの導入は、充填、包装、パレタイズの各ステーションで人手による全数検査をマシンビジョンで代替し、見逃し率と誤判定率を測定可能な範囲に収めることを中心に据えます。西安の食品・飲料製造は経済開発区、高新技術産業開発区、渭北産業ベルトに集中し、乳製品、ベーカリー、即席食品、飲料の充填が主要なカテゴリです。これらのラインは高速で、バッチ切替が頻繁で、異物や包装不良を一切許容しないため、まさにAI検査が価値を発揮する領域です。ただし一点は明確にしておく必要があります。カメラを買ってソフトを入れれば動くものではなく、使えるかどうか、どう使うかは、工程条件、サンプル品質、既存のライン制御システムとの接続方式にかかっています。

1. AI検査システムが実際に解決する課題

従来のマシンビジョンは、しきい値を固定したルールで画像を判定するため、新しいバッチ、新しい原料ロット、照明のドリフトのたびに再調整が必要でした。AI検査システムは深層学習モデルで不良の特徴を学習し、「どこまでが合格でどこからが異常か」という人の経験をモデルパラメータに変えます。解決する中核課題は三つです。第一に、人の目では速さも安定性も足りない工程、たとえばキャップの傾き、ラベルのしわ、シール部のかみ込みで、二時間もすると注意力が落ちる作業です。第二に、不良の形態が固定せずルール化できないシナリオ、たとえばベーカリー製品の焦げ跡、異物、型崩れです。第三に、記録を伴う全数検査の順守要件で、食品業界はバッチトレーサビリティと工場検査記録に厳格な要求があり、AI検査は品目ごとの判定と画像の保存を出力できます。

西安のように乳製品と即席食品が中心のライン構成では、AI検査は通常、中核工程ではなく包装と完成品の外観に入ります。そこでは不良の定義が明確で、サンプルが蓄積しやすく、ライン停止と手直しのコストが高いからです。

2. 中核機能と技術的な要点

技術的には、実用に耐えるAI検査システムは通常、撮像ユニット、推論ユニット、制御ユニット、データ管理の四部分からなります。撮像ユニットが上限を決め、食品・飲料ラインでは高速エリアスキャンカメラとストロボ照明、またはラインスキャンカメラとライン照明がよく使われ、分解能は最小の不良寸法をカバーできる必要があります。たとえばラベルの文字欠けを捉えるには1ミリあたり数画素が必要です。推論ユニットはセグメンテーションや分類モデルを実行し、高タクトラインでは単一フレームの推論を数十ミリ秒に圧縮する必要があり、通常はエッジGPUまたは推論アクセラレータカードを搭載した産業用PCに依存します。制御ユニットはPLCや排除装置と連動し、判定がNGのときにエアブロー、プッシャ、アラームを作動させます。データ管理は画像の保存、モデルのバージョン管理、誤判定のフィードバックを担います。

技術要点のうち、照明とトリガは見落とされがちです。食品包装の資材は反射率の差が大きく、PETボトル、アルミ箔シール、透明フィルムは角度によってまったく異なる写り方をするため、照明方式がモデルそのものよりも成否を決めることが少なくありません。トリガでは、エンコーダ同期と光電トリガがライン速度に合っていなければ、フレーム落ちや位置ずれが起きます。通信層では、ラインPLCとの接続にProfinet、EtherNet/IP、Modbus TCPを使うのが標準的な実務であり、上位のMESやSCADAとの接続は主にOPC UAを用います。これらのプロトコルの対応可否は選定時に項目ごとに確認すべきで、前提にしてはいけません。

3. 食品・飲料における典型的な適用シナリオ

西安の地元乳業工場で、充填ラインが毎分二百から三百本で稼働し、人手のサンプリングは初物と終物だけで中間は工程管理に委ねているケースを想定します。AI検査は三つの位置に導入できます。充填後、ラベル貼付後、箱詰め前です。充填後は液面高さと口部の残留を検査し、ラベル貼付後はラベルの位置、しわ、文字の可読性を検査し、箱詰め前はインクジェット印字とカートンの外観を検査します。これらのシナリオに共通するのは、不良の合格基準が明確で、自然に発生するNG品と人手の確認からサンプルを蓄積できることです。

ベーカリー企業で、表面の焼き色の均一性、焦げ跡の面積、異物混入が主なクレーム源になっているケースを想定します。トンネルオーブンの出口でAI検査が表面検査を行い、解くべき課題は製品形状が不規則で載置姿勢も一定しないことによる位置決めで、通常は製品の位置を特定するセグメンテーションモデルを不良判定の前段に置く必要があります。もう一つの類型は即席食品の調味料パックとシール検査で、シール部へのかみ込みやシール不良が典型的な不良です。赤外や可視光の撮像とモデル分類で判定できますが、シール材が多層ラミネートで反射率が不均一な場合は、撮像方式を個別に評価しなければなりません。

4. 選定と導入で注意すべき点

よくある質問の一つ目は連携方式です。AI検査システムは孤立した装置ではなく、既存のライン制御システム、MES、トレーサビリティシステムと接続する必要があります。選定時には、対応する産業プロトコル、SDKやAPIの提供有無、判定結果と画像データをバッチ単位で上位システムへ書き込めるかを明確に確認してください。ラインPLCが旧式の場合、通信カードとプロトコル変換のコストを当初から見込む必要があります。

二つ目はハードウェア構成の要件です。カメラの分解能とフレームレートは、最小の不良寸法とライン速度から逆算しなければならず、照明は材料特性に応じて選び、産業用PCの演算能力はモデル更新の余地を残す必要があります。環境要因も無視できません。食品工場には洗浄・消毒の手順があるため、保護等級、レンズの防曇対策、防振はいずれも計画に反映すべきで、IP65が一般的な下限となり、高温多湿のエリアでは陽圧パージが必要です。

三つ目は導入期間と手順です。標準的な流れは、現地調査と撮像テスト、サンプル収集とラベリング、モデル訓練とオフライン検証、ラインでの調整、試運転と検収です。単純な工程なら数か月で完了し、多工程・多SKUのラインでは半年を超えます。ボトルネックはサンプル量で、とくに希少な不良サンプルの蓄積はモデル訓練より時間がかかることが多いです。

四つ目はコスト構成です。主に撮像ハードウェア、演算ユニット、ソフトウェアライセンス、導入サービス、継続保守からなり、一つのステーションを複数ステーションへ横展開すると単価は目に見えて下がります。注意すべきは、継続的なモデル保守と誤判定フィードバックの工数が見積もりで過小評価されがちな点で、ラインの切替や原料の変更はいずれも再訓練の必要を生みます。

五つ目はよくある誤りで、AI検査を万能のふるいとみなすことです。不良の定義が曖昧で、サンプルが不良の空間をカバーできず、撮像条件も安定しない工程にAIを押し込むと、誤判定率が上がるだけです。もう一つの誤りはモデルの精度だけを見てタクトと排除の連動を無視することです。判定は正しくてもラインが追随できなければ意味がありません。

5. 向く工場と、向かないシナリオ

向くシナリオにはいくつかの共通点があります。ラインのタクトが比較的安定し、入荷材料の一貫性がよく、不良の合格基準が明確で、人手の全数検査が不可能または高コストであり、バッチトレーサビリティと記録の要求があることです。乳製品、飲料充填、ベーカリー、即席食品の包装外観とシール検査はおおむねこの範囲に入ります。

向かない、または追加評価が必要なケースは、強い反射、大きな変形、製品の向きがまったく不定で撮像と位置決めの難度が急上昇する工程、サンプルが極端に少なく人でも判定が一致しない主観的な不良(モデルが学習しにくい)、ライン速度が極端に速く見逃しゼロが要求される状況です。後者では推論遅延と排除機構の応答能力を評価すべきで、実験室の指標に頼ってはいけません。さらにSKUが多くロットが小さく切替が頻繁なラインでは、モデル切替と再訓練の管理コストを事前に計画する必要があり、そうでなければ現場が以前より忙しくなるシステムが出来上がります。

西安の食品・飲料製造のスマート化において、AI検査は目に見える一歩ですが、本質は工程、撮像、アルゴリズム、制御にまたがるマッチングのエンジニアリングです。モデルとハードウェアを論じる前に工程条件を明確に整理するほうが、逆の順序よりも時間を節約できます。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し、累計数千万台の端末を導入し、国内・海外市場をカバーしてきた業界の経験も一つのことを示しています。検査システムが機能するかどうかは、単点のアルゴリズムがどれだけ華やかかではなく、ラインとデータシステムにどれだけ噛み合っているかで決まるということです。

分野: スマート工場百科