ナレッジセンター
目次

焦作:AI外観検査システム

AI外観検査システムは焦作の印刷・包装業界で使えるのか。答えは使えるであり、適切な工程を選べば人の目より安定する。焦作とその周辺には食品用カートン、医薬品包装材から段ボール箱、粘着ラベルまで、多数の包装・印刷企業が集まっている。こうした製品は光沢ラミネート、多色見当、微小文字、頻繁なロット切替を特徴とし、まさに現在のマシンビジョンと深層学習が対応できる範囲に入る。前提となるのは、適切な工程を選ぶこと、光学環境を適切に構成すること、欠陥基準を明確に定義することであり、1台のカメラですべての問題を解決しようと期待することではない。

1. AI外観検査システムとは何か、どんな課題を解決するのか

AI外観検査システムは「万能カメラ」ではない。撮像ハードウェア、照明、画像アルゴリズム、欠陥分類モデル、ラインインターフェースで構成される検査ユニットである。従来のマシンビジョンはルールベースの判定、すなわち濃淡しきい値、エッジ位置、テンプレートマッチングに頼るため、寸法測定や固定パターンの有無判定には向く。しかし包装・印刷における汚れ、インク筋、見当ずれ、ドクターブレード筋、地汚れ、気泡、印刷抜けは形状がランダムで境界もぼやけており、ルールでは網羅できない。そこで分類と位置特定のために深層学習モデルが必要になる。

解決する課題は非常に具体的である。印刷機、ラミネーター、型抜き機、糊付け機の横にある検査台で、作業者が見続けながらサンプルを回していた作業を、安定して疲れないインライン検査に置き換える。焦作の包装工場の多くは多品種少量の受注生産で、1シフトに3〜5回版を替える。目視検査が最も見逃しやすいのは、版替え後の最初の数百枚と夜勤の後半である。AI検査の価値はまさに再現性と一貫性にある。

2. 中核機能と技術的な要点、どのパラメータが成否を決めるか

システムが使えるかどうかは、4つの厳しい指標で判断する。解像度、タクトとの整合、検出率と誤報率のバランス、欠陥分類能力である。

解像度は通常、1ミリメートルあたりの画素数で測る。印刷物の文字検査は一般に1画素0.05〜0.1mmが必要で、微小文字やバーコード等級の検査ではさらに必要になる。ラインセンサカメラのライン速度はライン速度に追随しなければならない。たとえばラミネーターが毎分80mで走る場合、ライン速度とストロボ発光を同期させないと、画像のぶれが直接アルゴリズムを無効化する。照明は包装・印刷検査で最も過小評価される部分である。ラミネート、レーザー転写紙、メタリックインクは強い反射とホットスポットを生むため、偏光照明や多角度ドーム照明で抑え込む必要がある。照明の構成が悪ければ、どんな優れたモデルも役に立たない。

機能的には、システムは通常、インラインの欠陥検出(汚れ、傷、見当偏差、色偏差)、文字とバーコードの検証(OCR/OCV、ISO/IEC 15415のバーコード等級に準拠)、欠陥座標の記録とウェブマーキングを含む。統合の面では、主流のソリューションはOPC-UAやModbus TCPでPLCと通信し、MESインターフェースを通じてロット単位の検査記録をアップロードし、ISO 9001の品質トレーサビリティにおける検査記録の要求を満たす。なお、印刷の色検査はインクのロットや基材の影響を強く受け、色差の判定には通常分光濃度のデータを組み合わせる必要がある。RGBカメラだけで色差を判定すると紛争になりやすい。

3. 包装・印刷における代表的な適用シーンと、それぞれの制約条件

工程がオフセット印刷、ラミネート、型抜きという焦作の食品用カートン工場を例に取る。オフセット印刷機でのインライン検査は主にインク筋、汚れ、見当を見る。見当偏差は一般に0.1〜0.15mm以内が要求され、この工程はタクトが速く判型も大きいため、分割視野撮像のラインセンサカメラが適する。ラミネート後の気泡や結晶点は典型的な難所である。接着層のむらによる微小な気泡は反射の下で現れたり消えたりするため、低角度の暗視野照明と高解像度撮像が必要になる。こうした欠陥の判定しきい値は顧客承認サンプルに照らして設定しなければ、誤報でラインが頻繁に止まる。

医薬品包装材を製造するラベル工場では、主に印刷抜け、文字誤り、バーコード等級を検査する。医薬品包装は文字の完全性に対する要求が厳しく、OCR/OCVは極小のフォントを認識し、同色の異体字を照合しなければならない。こうしたシーンは検査ステーションを仕上げ機やスリッターに置き、ウェブマーキングで欠陥位置を記録して下流で排除する方式が適する。

段ボール箱や水性印刷はロジックが異なる。板紙表面は粗く吸水性が高く画像コントラストが低いため、検査は印刷抜け、罫線、スリット位置に重点が移る。アルゴリズムの要求はオフセット印刷より低いが、機械的な設置と防塵の要求は高い。紙粉がレンズを汚すため、陽圧エアパージや定期セルフクリーニングの設計が必要になる。

4. 選定と導入で注意すべき点、よくある質問

第一の質問は統合方法である。包装工場の設備はブランドが混在し、ハイデルベルク、KBA、国産オフセット機、ラミネーター、仕上げ機が共存するため、選定時には既存PLCへ標準信号を出力して排除やアラームを行えるか、検査記録をロット単位で既存のMESやERPに書き込めるかを確認する必要がある。ERP時代から数十年にわたりこの分野を育成し、120万社の顧客にサービスを提供し、数千万台の端末を国内市場と海外市場に導入してきたベンダーは、プロトコル互換性とライン統合の経験が一般に信頼できるが、個別の古い機械については信号統合のテストが依然として必要である。

第二の質問は、必要なハードウェアの導入条件である。カメラブラケット用の剛性のある取付位置を確保し、機械振動による画像のずれを避ける必要がある。安定した電源とネットワークも必要で、ラインセンサカメラはデータ量が大きいため、ギガビットポートと専用セグメントは基本要件となる。照明とレンズは定期的な清掃と保守が必要で、これを設備点検表に組み込まなければならない。3か月後に検出率が落ちるのは、アルゴリズムの劣化ではなくレンズの汚れであることが多い。

第三の質問は導入期間とコスト構成である。典型的なインライン検査ユニットは、現場調査と光学設計からモデル学習、試運転まで、通常は日単位ではなく月単位で見積もる。モデル学習には十分な数の良品サンプルと各欠陥種別のサンプルを集める必要があり、サンプル不足はプロジェクト遅延の最も一般的な原因である。コストは主にカメラとレンズ、照明、産業用PCとフレームグラバ、アルゴリズムのソフトウェアライセンス、設置と試運転、継続的なモデル保守からなり、うち継続保守は見落とされやすい。

第四の質問はよくある誤解である。最も典型的なのは、AI検査を「買えばそのまま動く」と捉え、欠陥基準を先に定義しないことである。同じ汚れでも、どの大きさから欠陥とし、どの領域なら重大とみなすのか。これを工程部門と品質部門が先に決めなければ、モデルを学習できない。もう一つの誤解は100%の検出を追求することである。実際には検出率と誤報率はトレードオフの関係にあり、合理的な方法は欠陥レベルによる段階的な扱い、すなわち重大欠陥は高感度に、一般欠陥は緩めに設定して人の再判定を残すことである。

5. AI外観検査が向く工場と向かないシーン

向くシーンは、ロットサイズが比較的安定し、承認サンプルと欠陥判定基準が明確で、ラインのタクトが測定可能で基材の一貫性がよい包装・印刷工程、とくにオフセット印刷のインライン検査、ラベルの仕上げ検査、ラミネート後の表面検査、型抜き位置検査である。食品包装、医薬品包装材、段ボールを中心とする焦作の産業構造では、こうした工程に検査需要が集中しており、導入の道筋も比較的明確である。

向かない、または追加評価が必要なシーンは、1件数十枚という超小ロットの個別受注でモデル学習コストを回収できない場合、反射の強いレーザー紙や張力制御が安定しない変形しやすい軟包装フィルムで撮像品質が大きく変動する場合、欠陥の定義自体が頻繁に変わる研究開発のサンプリング段階、そしてAI検査で最終全数検査の人手をすべて置き換えようとする考え方である。現時点では、インライン全数検査と人手によるサンプリング見直しの組み合わせのほうが適しており、完全無人化には向かない。選定では、自社で最も判定が難しい3つの欠陥を持ち込んで照明と撮像のテストを行うほうが、どんな販促資料を読むよりも役に立つ。

分野: スマート工場百科