ナレッジセンター
目次

中山:AI外観検査システム

AI外観検査システムは、中山の化学材料企業がバッチ一貫性の問題に取り組むための鍵となるツールになりつつある。人の目視をマシンビジョンとアルゴリズムモデルで置き換え、品質判定を経験依存からデータ駆動へ移す。

I. 中山の化学材料産業の品質管理背景

中山の化学材料ベルトは、塗料、接着剤、改質プラスチック、電子化学品などのサブセクターをカバーしている。これらの企業に共通する特徴は、量が多く、バッチが多く、色、粒径、不純物含有量に対して下流の要求が厳しいことである。従来の品質管理は人手のサンプリングとオフラインの試験室検査に主に依存しており、サンプリングのカバー率が低く、フィードバックが遅れるため、異常は顧客クレームで初めて判明することが多い。AI外観検査システムの価値は、検査を上流に移し、生産中にリアルタイムで判定しアラームを出せるようにすることにある。

II. AI外観検査とはどのようなシステムか

AI外観検査システムは、カメラ1台とソフトウェアの組み合わせではなく、光学撮像、エッジコンピューティング、深層学習モデル、生産ライン制御インターフェースを組み合わせた完全なソリューションである。化学材料の現場では、通常、押出、ペレタイズ、塗布、スリットといった重要工程の後に配備し、産業用カメラで表面画像や分光データを取得し、学習済みモデルが色差、黒点、ゲル粒子、傷、厚みムラといった欠陥の有無を判定する。業界の主流は、エッジ側でモデル推論を実行してミリ秒応答を確保しつつ、結果をMESやQMSへ同期してトレース可能な品質ファイルを形成するというものである。典型的なAI外観検査システムは5つの部分からなる。画像取得モジュール、欠陥アノテーションとモデル学習のプラットフォーム、オンライン推論エンジン、アラームと排除のアクチュエータ、データダッシュボードである。従来のマシンビジョンとの違いは、AIモデルが形状のばらつきが大きく背景テクスチャが複雑なシーンを、エンジニアがルールを1つずつ書かなくても扱えることにある。

III. 主要な機能モジュールと技術的な要点

1. 撮像と照明の設計が検出の上限を決める

化学材料の多くは半透明、高反射、あるいは色ムラのある表面を持ち、普通のリング照明では安定した画像が得にくい。実際のプロジェクトでは、ベンダーは材料特性に応じて同軸、バー、ドーム、多角度の組み合わせ照明を選び、グレア除去のために偏光フィルタを追加することもある。カメラは連続ウェブならラインセンサー、シートやペレットならエリアセンサーが適する。撮像方案が悪ければ、後からアルゴリズムで埋め合わせることはできない。

2. 欠陥アノテーションとモデル反復の能力

化学材料の欠陥サンプルは偏りがちである。黒点は豊富にあっても、まれな欠陥は数か月に1度しか現れないことがある。システムは少数ショット学習や異常検知をサポートし、少数の欠陥画像から実用モデルを学習できる必要がある。アノテーションのプラットフォームは、ラインの検査員自身が操作でき、毎回アルゴリズムエンジニアを呼ばなくて済むものであるべきだ。

3. オンライン推論とライン統合

推論速度はラインのタクトに合わなければならない。ペレタイズラインでは毎秒数百個のペレットが流れ、システムは1個ずつ判定し、数ミリ秒以内にエアバルブを起動する必要がある。そのためには量子化・枝刈りしたモデルをGPUや専用NPUのエッジボックスに配備する。統合面では、PLC信号を出力して排除バルブとアラームランプを制御し、欠陥座標と画像をデータベースに保存する必要がある。

4. データのトレーサビリティと品質分析

各バッチの検査結果はバッチ番号に紐付ける必要があり、下流の顧客からクレームが来たときに、当時の製品画像と欠陥分布をすぐに引き出せるようにする。さらに進めれば、欠陥の種類と頻度を集計し、工程技術者がどの工程が原因かを遡って特定できる。たとえば押出温度の変動がゲルの増加につながるといった因果である。

IV. 化学材料の典型的な応用シーン

1. 改質プラスチックペレットの黒点・色差検出

中山の改質プラスチック企業が家電・自動車部品向けにPAやPCのアロイを製造しているとしよう。ペレタイズ後にペレット表面に黒点や黄変が現れることがあり、バッチごとに数握りを人手でサンプリングする方法では見逃しリスクが高い。AI外観検査システムを導入すると、振動ふるいの後にラインセンサーカメラとバックライトを設置し、落下するペレットを連続撮影する。モデルが黒点や色差のあるペレットを識別すると、エアバルブが廃棄箱へ吹き飛ばす。シフトごとの黒点率も集計でき、ある押出機の率が急上昇すれば、スクリュー摩耗やフィルタースクリーンの破損を示す。

2. 塗料製造における不純物と分散均一性の判定

塗料工場は、充填前に塗料中に未分散の顔料粒子や異物がないことを確認する必要がある。従来はグラインドメーターでサンプリングしており、遅く、主観的でもあった。AI検査のソリューションでは、配管のサイトグラスに高速度カメラとストロボ光源を設置し、流動する液膜を撮像し、モデルが不純物の数と粒径分布を判定する。しきい値を超えるとシステムがアラームを出し、充填バルブを自動で切り替え、不適合バッチを手直しタンクへ回す。

3. 粘着剤塗布の厚みと欠陥検査

電子グレードの粘着剤を製造する企業が、PET基材に粘着剤を塗布しているとしよう。塗布ではスジ、気泡、厚みの盛り上がりが発生することがある。AIシステムはラインセンサーカメラと多角度照明で塗布面をリアルタイムに検査し、厚み計のデータも判定に融合する。連続したスジが現れると、システムは塗布ヘッドのギャップを自動調整するか、作業者に清掃を促す。透明な粘着層では難度が高く、特定の光波長と偏光の方案が必要になる。

4. 電子化学品の粒子計数と包装検査

中山には清浄度要求の高い電子化学品企業が多い。AIシステムは充填ラインで、瓶中の液体に浮遊粒子がないか、瓶口のシールが完全かを検査できる。こうしたシーンは通常、バックライト撮像と粒子計数アルゴリズムを組み合わせ、各瓶の粒子数と粒径分布を出荷報告の一部として記録する。

V. 選定と導入のアドバイス

1. まず解くべき中核欠陥を定義する

最初からすべての欠陥をカバーしようとしないこと。化学材料は品種が多く欠陥の定義も大きく異なるため、顧客クレームの大半を占める1つか2つの欠陥、たとえば黒点や色差に絞り、単一ポイントで検証する。うまくいってから徐々に広げる。

2. 撮像方案は現場の実サンプルで試験する

AI検査プロジェクトでは、光源とカメラの選定を実際のサンプルとライン速度で必ず試験しなければならない。試験室で良い画像が撮れても、ラインで機能するとは限らない。振動、粉塵、温度変化はいずれも撮像の安定性に影響するため、保護等級やエアナイフによる除塵を事前に検討すべきである。

3. モデルは継続的に反復できること

ラインで材料、金型、色が変わるとモデル精度が落ちることがある。システムはラインの担当者が追加の欠陥サンプルをアノテーションして再学習できるか、少なくとも遠隔での迅速なモデル更新をサポートすべきである。製品変更のたびにベンダーのエンジニアが現場に来る必要があれば、コストは高くつく。

4. 既存の自動化システムと統合する

AI検査システムは孤島ではない。検査結果はバッチの出荷判定のためにMESへ渡し、アラーム信号は停止や排除のためにPLCへ接続しなければならない。インターフェースのプロトコルは選定段階で確認し、後からの改造コストを避けるべきだ。

5. 現実的な評価指標を設定する

検出率だけでなく誤報率も見ること。誤報が多すぎれば、現場はシステムを切ってしまう。通常は許容できる誤報水準をベンダーとともに定義する。1シフト当たり数回以下といった具合だ。システムの安定性、保守のしやすさ、部品の納期も考慮すべきである。業界の一部のベンダーは15を超える業界で120社以上の顧客にサービスを提供しており、その経験は化学材料のシーンにも一定の参考になるが、最終的な答えは自社のラインでの試験から出る。

VI. 今後の展望

化学材料におけるAI外観検査の次の進化は、おそらく3つの方向に進む。第一にマルチモーダル融合で、画像、近赤外分光、超音波検査を組み合わせ、表面欠陥だけでなく内部の不純物や分子構造の異常も判定する。第二に適応学習で、システムが運転中に新しい欠陥パターンを発見して人の確認を求め、事前アノテーションへの依存を減らす。第三に閉ループの工程制御で、検査がアラームだけでなく押出温度や塗布速度の自動調整を起動し、品質問題を発生と同時に解消する。中山の化学材料企業にとって、AI検査は導入するかどうかではなく、どの工程から始め、どれだけ速く進めるかの問題である。最初の着地点をうまく選ぶことが、あらゆる機能を備えたシステムを選ぶことより重要だ。

分野: スマート工場百科