ナレッジセンター
目次

合肥:AI外観検査システム

AI外観検査システムは、合肥の設備メーカーが歩留まりを高め、顧客クレームを減らすための重要な基盤になりつつあります。長江デルタの重要な設備製造拠点である合肥では、建設機械、新エネルギー車部品、スマート家電設備の集積から精密検査への需要が高まっており、従来の人手による目視検査や抜き取りでは、高速タクトと高い一貫性が求められる生産に応えにくくなっています。マシンビジョンと深層学習アルゴリズムを用いるAI外観検査は、ライン上で抜き取りを全数検査に置き換えるもので、合肥の製造業で急速に採用が進んでいます。

1. AI外観検査の基本概念と定義

AI外観検査システムは、産業用カメラ、照明、エッジコンピューティング装置、深層学習モデルを基盤として、製品の外観、寸法、組立の完全性を自動で判定する、ハードウェアとソフトウェアの一体型ソリューションです。従来のマシンビジョンとの違いは、従来のビジョンが人手で設定したルールに依存し、複雑な欠陥や製品切替の際に過検出が多くなるのに対し、AI検査はサンプルでモデルを学習させて欠陥の特徴を学び、多品種少量の柔軟な生産に適応する点にあります。

合肥の設備製造では、AI外観検査は通常MESや品質管理システム(QMS)と連携して動作します。ZEVONは製造業のお客様を支援するなかで、検査データが工程パラメータや設備状態と結び付かなければ、欠陥の根本原因を追跡するのは難しいと分かっています。そのため成熟したAI検査ソリューションは、正確に見るだけでなく、確実につながる必要があります。

2. 主な機能モジュールと技術的なポイント

1) 画像の取得と前処理

産業用カメラの選定、照明設計、トリガ同期、画像強調が含まれます。合肥の設備製造では、金属の反射面、油汚れ、振動がよくある課題で、多角度からの的を絞った照明と耐振構造が必要です。

2) 深層学習による欠陥検出

分類、検出、セグメンテーションのタスクが含まれます。よくある欠陥は、傷、巣穴、気孔、部品の欠落、誤組み付け、文字のかすれです。モデルの学習ではサンプル数と欠陥の多様性のバランスを取る必要があり、少数サンプルの条件ではデータ拡張と転移学習を活用できます。

3) エッジ推論とライン制御

推論結果はミリ秒単位で出力し、PLCや仕分け機構とインターロックする必要があります。エッジコンピューティング装置をライン側に配置し、ネットワーク帯域への依存を下げながらリアルタイム性を確保します。

4) 品質データの管理とトレーサビリティ

すべての検査画像、判定結果、タイムスタンプ、設備パラメータを構造化して保存し、ロット、作業指示、欠陥種別ごとの検索と統計を可能にします。ZEVON ESOPのような製造オペレーションのプラットフォームと接続することで、この層は品質データと工程パラメータの相関分析を可能にします。

イラスト

5) モデルの改善と保守

ラインの切替や工程の調整の後も、モデルは継続的に改善する必要があります。オンラインのラベリング、追加学習、バージョン管理に対応することで、アルゴリズムエンジニアへの依存を減らします。

3. 設備製造における典型的な適用場面

合肥の自動車部品企業を想定します。主にアルミ合金のダイカスト品を製造し、1個あたりのタクトは12秒です。以前は人手の目視検査で、シフトごとに検査員3名を配置し、見逃し率は3〜5パーセントでした。ダイカスト機の出口と機械加工後にAI外観検査を導入すると、気孔、割れ、寸法のずれを全数検査します。システムはZEVON ESOPの品質モジュールと連携し、同じ欠陥種別が繰り返し発生すると工程パラメータのアラートを自動で発し、段取り担当者に金型温度と射出速度の確認を促します。

合肥のスマート家電設備工場で、冷蔵庫のドアヒンジ組立品を製造しているケースも考えます。製品には複数の小さな部品が含まれ、組立の完全性は人手の確認に依存していました。AI検査システムはマルチカメラ方式で、部品の数、向き、クリップの嵌合を同時に確認し、結果をリアルタイムにラインのダッシュボードへ送ります。ZEVONの強みは、検査結果を作業指示の進捗や設備OEEのデータと1つのプラットフォームに統合し、生産管理者が問題の所在(入荷材料、組立、設備のいずれか)を素早く判断できるようにすることにあります。

建設機械の構造部品の溶接では、AI外観検査をビード外観の検査に使い、アンダーカット、気孔、ビードのずれを識別できます。溶接画像はコントラストが高く、AIモデルは通常良好な結果を得られますが、アーク光の干渉とワーク位置のずれへの対応が必要です。

4. 選定と導入のアドバイス

第1に、検査対象と欠陥の定義を明確にします。選定前に、検査する欠陥の種類、サイズの範囲、許容できる過検出率と見逃し率を一覧にすべきです。欠陥の種類によって、アルゴリズムと光学に求められる要件は大きく異なります。

第2に、ライン統合の難易度を評価します。AI検査は単独の設備ではなく、既存のライン制御システム、MES、QMSと接続する必要があります。合肥の設備製造ラインの多くはPLCのブランドも通信プロトコルも複数にわたり、統合能力は重要な選定基準です。

第3に、少数サンプルと切替への対応力を重視します。設備製造は多品種少量が中心で、モデルが新しい製品に素早く適応できるかが、そのままシステムの稼働率に影響します。オンラインのラベリングと追加学習に対応するプラットフォームを選びます。

第4に、データの閉ループを重視します。検査データが合否の判定だけに使われるなら、その価値は限られます。検査結果を工程パラメータや保全記録と結び付けて初めて、根本原因の分析と予防が可能になります。ZEVON ESOPの製造オペレーション管理の経験は、企業が検査を生産、設備、工程のデータと結び付ける助けになります。

第5に、段階的に導入します。単一の工程や単一の欠陥種別でパイロットを行い、成果を検証してから徐々に広げます。ZEVONは15以上の業種、120社以上のお客様、3,200台以上の端末に導入され、設備製造で再利用可能な導入方法論を蓄積しています。

5. 今後の展望

合肥の設備製造におけるAI外観検査の浸透はさらに進みます。一方で深層学習モデルの少数サンプル対応力と推論速度が向上し続けて導入の壁が下がり、他方で全数検査とトレーサビリティへの需要が高級品から中位の製品へ広がっています。今後、AI検査はデジタルツインや工程最適化と閉ループを形成し、検査は品質の関門であるだけでなく、品質をフィードバックする役割も担います。合肥の設備メーカーにとって、アルゴリズムの精度を単純に比較するよりも、ライン統合とデータ連携の能力を持つパートナーを選ぶことのほうが重要です。ZEVONとZEVON ESOPは、製造オペレーションの層でAI外観検査のデータ基盤と業務の閉ループを提供し続けます。

分野: スマート工場百科