ナレッジセンター
目次

江門:AI外観検査システム

AI外観検査システムは、江門の繊維・アパレル産業が「量の製造」から「品質起点の製造」へ移行する中で、中核となる手段になりつつあります。珠江デルタの重要な繊維・アパレル生産基地である江門には、生地の織布・染色加工から縫製加工までをカバーする比較的完備したサプライチェーンが形成され、特にデニム衣料、ニット衣料、化学繊維生地の分野で多数の中堅・中小メーカーが集積しています。これらの企業に共通する課題は、表面の傷、色ムラ、糸切れ、緯ずれといった欠点が長らく目視検査に依存されてきたことです。目視検査は見逃し率が高いだけでなく、経験豊富な検査員の確保が難しくなる中で品質の安定性を保つことがますます困難になっています。AI外観検査システムは、まさにこの課題に応える技術的な解です。

I. AI外観検査システムの基本概念と定義

AI外観検査システムとは、マシンビジョン、深層学習アルゴリズム、産業用カメラを組み合わせ、生産過程で製品表面の欠点を自動的に検出・分類するハードウェアとソフトウェアの統合システムです。繊維・アパレル分野では、通常、検反機、テンター、裁断台、または縫製品検査台に設置され、高速カメラが生地や縫製品の画像を取得し、学習済みのAIモデルがリアルタイムに欠点の有無を判定して、欠点の種類、位置、程度をラベリングします。

従来のしきい値分割やテンプレートマッチングによるビジョン手法と異なり、AI外観検査システムは畳み込みニューラルネットワークなどの深層学習アーキテクチャを基盤とし、繊維の組織が複雑で、欠点の形状が多様で、照明条件が変動する実際の生産環境に適応できます。エンジニアがルールを一つずつ記述する必要はなく、大量のアノテーション済みサンプルによって、モデルが何を合格とし何を欠点とするかを学習します。ZEVONが産業ソフトウェアとインテリジェント製造の分野で蓄積してきたESOP(電子標準作業手順書)の能力は、AI外観検査と連携して機能します。AIが特定の欠点を含むロットを判定すると、システムは対応する手直しや等級落としの作業指示を自動的に呼び出してワークステーション端末に配信し、人の判断と伝達の負荷を軽減します。

II. 主な機能モジュールと技術要点

完成した繊維・アパレル向けAI外観検査システムは、通常、以下の機能モジュールで構成されます。

1. 画像取得モジュール。高解像度の産業用ラインセンサカメラまたはエリアセンサカメラが、バーライト、同軸照明、バックライトなどの専用照明と組み合わされ、生地が高速で走行する中でも鮮明な画像を取得します。デニムのような厚手生地では、被写界深度と表面反射も考慮する必要があります。

2. 欠点検出・分類モジュール。システムの中核です。深層学習に基づく物体検出またはセマンティックセグメンテーションモデルが、経糸欠け、緯糸欠け、穴、汚れ、色ムラ、緯ずれ、耳部不良といった一般的な欠点を識別し、欠点のカテゴリと信頼度を出力します。一部の先進的なシステムは教師なしまたは半教師あり学習に対応し、大量の欠点サンプルへの依存を減らします。

3. 品質等級判定モジュール。欠点の種類、サイズ、密度、顧客基準に基づき、生地または縫製品が合格か、特採合格か、等級落としかを自動的に判定します。判定ルールは通常カスタマイズ可能で、受注ごとの品質要求に対応できます。

イラスト

4. データ管理・トレーサビリティモジュール。反物ごと、製品ごとの検査結果を記録し、品質レポートを作成し、ロット別、機械別、シフト別の統計分析に対応します。データはMESやERPシステムに連携でき、品質トレーサビリティを実現します。

5. 人機インターフェース・アラームモジュール。重大な欠点を検出すると、アラームを発報するか位置をマーキングし、大型モニターやワークステーション端末に欠点画像と位置を表示して、オペレーターが迅速に対応できるようにします。

技術面では、繊維・アパレル向けAI検査の難しさは次の点にあります。生地の組織は周期的またはランダムで欠点と混同されやすいこと、色ムラの検出は光源の経年劣化や環境光の影響を強く受けること、高速ライン上のアルゴリズムはミリ秒単位で応答する必要があることです。そのため、システムは通常、特定の生地カテゴリに対するモデルの微調整と、サンプルライブラリの定期的な更新が必要です。

III. 繊維・アパレルにおける典型的な適用シーン

江門市開平にあるデニム衣料工場を例に考えます。ここではインディゴデニム生地を用いた輸出向けジーンズを主に生産しています。工場は毎日数万メートルのデニムを検査しており、以前は4名の検反員が検反機で目視検査を行い、1シフトあたり4時間連続で作業し、見逃し率は約15%から20%でした。また、色ムラや緯ずれの判定基準が検反員ごとに異なり、裁断後の衣料に対する色のクレームにつながっていました。

検反機にラインセンサカメラと専用照明を備えたAI外観検査システムを導入すれば、経糸欠け、緯糸欠け、穴、汚れをリアルタイムに検出できると同時に、色分析モジュールで色ムラを数値化できます。結果は自動的にマーキングされ、またはシステムに記録されるため、検反員はフラグが立った位置を確認するだけで済み、効率が上がり見逃し率も大幅に低下します。さらに重要なのは、すべての検査データが自動的に保存されるため、裁断工程で異常な反物が見つかった場合に、検査記録と機械情報を迅速に追跡できることです。

江門市新会にあるニット生地企業の例も見てみます。ここではスポーツウェア向けのポリエステルニット生地を主に生産しています。同社は目視では数値化が難しい緯ずれと編目の歪みに悩んでいました。AIシステムは編目配列の角度偏差を分析することで、具体的な緯ずれ量を算出し、テンターのパラメータ調整をトリガーできます。このシーンでは、ZEVON ESOPが緯ずれの許容基準と調整作業指示をデジタル化し、AIが許容範囲外の緯ずれを検出した際にオペレーター端末へ標準的な処理手順が自動表示され、シフト間で作業が統一されます。

縫製品検査については、江門高新技術産業開発区にある受託縫製工場を例にします。ここではブランド顧客向けのシャツを生産しています。縫製品検査は、襟、袖口、前立ての縫製品質に加え、汚れやほつれ糸も対象です。AI外観検査システムは縫製品検査台に設置でき、多角度カメラで縫い切れ、縫い飛び、汚れ、寸法偏差を識別します。出力される検査レポートは顧客の品質要求に直接対応させることができ、目視検査の見逃しによる返品リスクを低減します。

IV. 選定と導入のアドバイス

イラスト

AI外観検査システムを選ぶ繊維・アパレル企業は、以下の点に注目すべきです。

第一に、検査対象と欠点の種類を明確にすることです。織物、ニット、デニム、化学繊維といった生地の違い、また検反、裁断、縫製品検査といった工程の違いによって、システムへの要求は大きく異なります。万能なシステムを追うのではなく、自社のカテゴリでモデルと導入実績が成熟したベンダーを選ぶべきです。

第二に、アルゴリズムの汎化性能と更新の仕組みを確認することです。生地の柄や組織は頻繁に変わるため、システムは新しい生地に素早く適応する必要があります。ベンダーがサンプルのアノテーションツールやモデルの反復サービスを提供しているかを確認し、新製品が稼働後に問題にならないようにします。

第三に、ハードウェアとラインの適合性に注意することです。カメラの解像度とフレームレート、光源の安定性、設置方法は、いずれも検出結果に影響します。生産ラインでの現地テストを行い、異なる速度や照明条件での検出率と誤報率を検証することを推奨します。

第四に、データ連携能力を評価することです。AI外観検査システムが情報の孤立点になってはなりません。既存のERP、MES、品質管理システムと接続し、品質データのループを閉じる必要があります。ZEVONは産業ソフトウェアの連携において15以上の業界、120社以上のお客様へのサービス実績があり、AI検査データと作業標準や生産指示を結びつける支援ができます。

第五に、導入の進め方を検討することです。1本の生産ラインまたは1つの製品カテゴリからパイロットを始め、成果が確認できてから段階的に拡大します。現場のオペレーターを訓練してシステムの判定ロジックとアラーム対応を理解させ、不信感からシステムを迂回させないようにします。

V. 今後の展望

今後数年、繊維・アパレル分野のAI外観検査にはいくつかの明確なトレンドが現れます。第一に、検査はオフラインの抜き取りからオンラインの全数検査へ移行します。計算コストの低下とアルゴリズム効率の向上により、高速ラインでの全数検査が実現可能になります。第二に、単一欠点の検出から多次元の品質分析へ進みます。システムは欠点の有無を判定するだけでなく、その原因を分析し、品質の傾向を予測し、それに応じて工程パラメータを調整します。第三に、単体システムはプラットフォームのモジュールとなり、AI検査が生産計画、工程、設備管理と深く統合されます。第四に、大企業だけのものだった仕組みが中小企業へ広がります。軽量なクラウドエッジ構成により、中小の繊維・アパレル企業の導入障壁が下がります。

江門の繊維・アパレル産業にとって、AI外観検査の普及は品質管理の高度化であるだけでなく、産業クラスターが労働集約型から技術集約型の生産へ転換する姿の縮図でもあります。AI検査をいち早く使いこなした企業が、受注の品質要求が上がり続ける市場で主導権を握ります。

分野: スマート工場百科