株洲の家電製造でAI外観検査は実際に何ができるのか。一言で答えると、家電ラインで人の目による外観確認、手による組立確認、経験による異音判断に頼っている工程を、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ることである。完成品メーカーと部品サプライヤが集まる株洲のような製造都市では、最も直接的な効果は流出と過剰検出を抑えつつ、各ラインの検査タクトをプレス、射出成形、最終組立のタクトに合わせられることにある。
1. AI外観検査はどのような課題を解決するのか
家電製造の品質検査の課題は非常に具体的である。エアコンや冷蔵庫では、外観部品の傷、色差、ひけ、ウェルドラインを確認し、組立セクションではねじの掛け忘れ、クリップの浮き、ハーネスの接続を確認し、完成品セクションでは異音、パネルの段差、シルク印刷のずれを確認する。従来の方法は検査ステーションに検査員を並べ、明るい懐中電灯で外観を確認するもので、タクトが上がると見落としが発生し、担当が替わると判定がぶれる。AI外観検査システムが行うのは、産業用カメラで画像を取得し、深層学習モデルで不良の分類と位置特定を行い、判定結果をPLCやMES経由でラインに戻して振り分けることである。平たく言えば、判断のうち「人の目と経験」の部分を置き換えるのであり、ライン全体を置き換えるのではない。
2. 中核機能と技術的な要点、どのパラメータに注目するか
1. 撮像が上限を決める。家電の外観部品は高光沢、ヘアライン、透明材料が多く、通常の2Dカメラでは反射面で白飛びしやすい。実用的な構成では、ハイアングルのリング照明と低アングルの暗視野照明を組み合わせるか、透明部品には偏光板付きのバックライトを使うことが多い。解像度は最小の不良寸法から逆算する。たとえば200mmの視野で0.1mmの傷を検出するなら、カメラは水平解像度2000画素以上が必要で、余裕も見込む。
2. アルゴリズム側は2種類のタスクに分かれる。欠陥検出は物体検出やセグメンテーションのモデルを使い、不良のクラスと位置の枠を出力する。寸法測定はサブピクセルのエッジ抽出を使い、再現性は通常プラスマイナス0.02mm程度が求められる。家電業界は過剰検出に敏感で、良品を直接不良にしてしまうため、モデル学習時に過剰検出率を抑える必要がある。一般的な実務は、負例に境界的なサンプルを意識的に含めることである。
3. タクトの整合はハードな制約である。家電の組立ラインはタクトが十数秒から数十秒のことが多く、単一ステーションの検査は撮像、推論、通信をタクト内に収めなければならない。推論はエッジコンピューティングボックス上でローカルに実行し、1フレームの推論は数百ミリ秒程度に抑え、クラウド経由の遅延を避ける。通信は通常OPC-UAやModbus TCPでPLCとやり取りし、判定結果はIO信号やメッセージとして送る。
4. トレーサビリティと統計。システムは各製品の検査画像、判定結果、タイムスタンプを保存し、シリアル番号で関連付けてISO 9001体系の品質トレーサビリティ要求を満たす必要がある。これはアルゴリズムの問題ではなくデータアーキテクチャの問題であり、保存期間と照会方式を導入前に確認しなければならない。
3. 家電製造のどの工程で使えるか
エアコンの室外機を製造する工場を例に取る。プレス加工した板金部品はバリとプレス痕を確認する必要があり、このステーションはタクトが速く不良も小さいため、コンベアの上方にカメラを固定し、エンコーダで撮像をトリガするAI外観検査が向く。冷蔵庫の内張りを製造する射出成形工場では、肉厚の偏りと黒点を確認する。内張りは離型直後でまだ高温のため、撮像は熱変形を考慮する必要があり、ステーションは通常冷却後に置く。
別の例は組立セクションのねじ掛け忘れ検出で、ねじ頭の有無を画像で確認する。人手の目視より安定するが、異なる仕様のねじが混在する生産に対応する必要があり、モデルは有無だけでなく仕様も判別しなければならない。パネルのシルク印刷のずれは測定型のタスクで、テンプレートマッチングとサブピクセル位置決めを使い、ずれがしきい値を超えたら警告する。異音検査は音響検査であり、画像とは技術ルートが異なる。完成品セクションの一部ではマイクアレイで異音を分類する例もあるが、環境騒音の影響が大きく、通常は防音の治具が必要である。
4. 選定と導入で注意すべき課題
1. 統合方式をどう選ぶか。まずラインに既にあるPLCのブランドとプロトコルを確認する。OPC-UAは汎用性が高いが、古い設備はModbusしか対応していないことがある。MESとの統合では、データベースの中間テーブルを使うかインターフェースを使うかを確認し、検査データ量が多い場合は元画像をローカルに保存し、MESには結果とサムネイルのみを置く。
2. ハードウェア構成には余裕を残す。カメラの解像度は不良寸法から逆算して選び、レンズ選定では作動距離と歪曲に注意する。照明がカメラ以上に画質を左右することが多いため、照明方案はサンプルで試験してから確定する。エッジコンピューティングボックスはモデルの複雑さとステーション数で規模を決め、1台で複数ステーションを担う場合は合計の計算負荷を見積もる。
3. 導入期間は大きく3段階に分かれる。撮像の立ち上げとサンプル収集に通常1〜2週間、モデルの学習と調整は不良の種類に依存し、数種類の不良なら通常2〜4週間、ライン統合と試行稼働にさらに2週間である。複雑な外観部品や透明部品は、照明とサンプル収集の反復が必要なため長くなる。
4. よくある誤解を避ける。第一に、AIは人手判定の曖昧な基準をそのまま流用できると考えることである。実際には不良の定義をまず画像化できる特徴に定量化しなければならない。第二に、入荷材料の一貫性を無視することである。バッチ間のばらつきが大きいとモデルが頻繁に破綻する。第三に、カメラのコストだけを計上し照明と治具のコストを入れないことである。照明治具は総投資のかなりの割合を占めることが多い。
5. 向く場合と向かない場合の境界はどこにあるか
向くシーンは、ラインのタクトが安定し、入荷材料の一貫性が良く、不良に明確な画像特徴がある工程である。板金の外観、射出成形部品の黒点、ねじの掛け忘れ、シルク印刷のずれ、ラベルの文字認識などが該当する。こうしたタスクはサンプルを集めやすく、モデルも早く収束し、タクトも合う。
向かない、または追加評価が必要なシーンは、反射の強い鏡面部品、変形の大きい柔軟部品、不良の定義自体が曖昧で触感に依存する工程(触感外観の判断など)、多品種少量で切替が頻繁なラインでモデル切替のコストが効果を上回る可能性がある場合である。加えて、粉塵が多く振動の強いステーションは、まず撮像を安定させてからアルゴリズムを論じるべきである。
株洲の家電製造の産業的な性格は、完成品と支援部品がともに進むことにあり、AI外観検査の価値は派手な単発のデモではなく、検査工程の判定基準を固定しデータを残すことにある。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産業ソフトウェアベンダーは、ラインのデータ接続とMES統合の経験が豊富である。選定ではアルゴリズムのデモ結果だけでなく、設備層の通信と品質トレーサビリティに関する実際の蓄積に注目すべきである。