ナレッジセンター
目次

昆明におけるAI外観検査システム

AI外観検査システムは、昆明の設備製造企業が歩留りを高め、人手による外観検査のコストを削減するための重要な道具になりつつある。華南西部の主要な設備製造拠点である昆明には、精密機械、光学機器、自動車部品、電力設備のクラスタがあり、これらの産業は表面欠陥の検出、組立の揃い、寸法精度に対してますます高い要求を課している。人手による外観検査では、タクトと精度の要件を安定して満たせなくなっている。

1. AI外観検査の中核概念と定義

AI外観検査システムは、マシンビジョンと深層学習アルゴリズムに基づく自動検査ソリューションである。産業用カメラで製品画像を取得し、訓練済みのニューラルネットワークモデルによって、傷、汚れ、欠肉、バリ、変形、誤組立といった欠陥を識別し、判定結果と欠陥位置を出力する。

従来のビジョン検査との核心的な違いは、技術者がルールを一つずつ書く必要がないことである。従来のビジョンはエッジ抽出、しきい値分割、テンプレートマッチングに頼るため、反射があったり、テクスチャが複雑だったり、欠陥形状のばらつきが大きかったりする場面では、見逃しや誤判定が起きやすい。AI検査は大量のラベル付きサンプルから欠陥の特徴を学習し、照明の変化や製品ロットのばらつきに対する許容度がはるかに高い。

昆明の設備製造分野では、こうしたシステムは通常ラインの末端や重要工程の後に設置され、PLC、MES、仕分け機構と連動して自動排出や自動警報を実現する。

2. 主な機能モジュールと技術的な要点

2.1 画像取得モジュール

検査精度に応じてエリアセンサ、ラインセンサ、3Dカメラを選ぶ。精密小物は高解像度のエリアセンサカメラとテレセントリックレンズを使い、板金や形材はラインセンサカメラで連続走査する。照明の設計はカメラ以上に重要であることが多く、同軸、リング、バー、バックライトの選択が画質を直接左右する。

2.2 アルゴリズムモデルのモジュール

主流の方法は分類モデルとセグメンテーションモデルの組み合わせである。分類モデルは画像全体に欠陥があるかを判定し、セグメンテーションモデルは欠陥の画素領域を特定する。サンプルが少ない場面では、ベンダーは転移学習や異常検知アルゴリズムを用い、良品サンプル数枚から基準を構築し、そこから外れる領域を欠陥として識別する。

2.3 判定と後処理のモジュール

OK/NG信号を出力し、複数しきい値による等級分けに対応する。例えば欠陥を致命、重大、軽微に分類し、それぞれに対応する処置方針を割り当てる。すべての製品の検査画像と判定結果を記録し、トレーサビリティ分析に用いる。

2.4 データ管理のモジュール

検査データは社内サーバやクラウドへアップロードでき、欠陥分布のヒートマップ、時系列の歩留り曲線、欠陥種類の構成比といったレポートを生成する。これらのデータは工程改善に直接の参考価値を持つ。

技術的な要点として、タクトの整合はしばしば軽視される。毎分数十個の部品を流すラインでは、検査システムが数十ミリ秒以内に画像取得、推論、判定、通信を完了する必要があり、軽量モデルと推論の高速化が導入の鍵になる。

3. 設備製造における典型的な適用場面

昆明の電力金具メーカーが、品種が多くロットの切り替えも頻繁で、表面欠陥として亀裂、ピンホール、めっきむらがあるとする。以前は経験豊富な作業者が検査しており、勤務時間の後半に疲労が蓄積すると見逃し率が上がっていた。AI検査システム導入後は、コンベヤの上方にカメラを固定し、製品が通過するたびに撮影をトリガーする。モデルは80ミリ秒以内に判定を返し、NG品はシリンダーで排出シュートへ押し出される。段取り替えは該当する製品モデルを呼び出すだけで、パラメータを再調整する必要はない。

別の例として、自動車部品サプライヤーがエンジンピストンピンの寸法と表面の傷を検査している。反射の強い円筒面は撮像が難しいため、ソリューションプロバイダーは多角度の複合照明と3D形状復元を用い、まず寸法を測ってから表面を判定した。システムは既存のMESと接続し、各部品の検査データはQRコードに紐付けて単品トレーサビリティを実現している。

さらに組立の揃い検査という場面もある。制御ボックスを組み立てる電子工場では、ねじの本数、ハーネスの接続、ラベルの位置を確認しなければならない。AI検査システムは1枚の全体画像から複数の判定を完了し、複数のステーションの目視検査員を置き換える。

4. 選定と導入のアドバイス

第一に、検査対象と精度要件を定義する。最小欠陥寸法は何ミリか、どの程度の過剰検出率と見逃し率なら許容できるか、毎分何個のタクトが必要か。これらのパラメータがカメラの解像度、レンズの倍率、アルゴリズムの方式を直接決める。

第二に、サンプル収集とラベリングを重視する。AIモデルの性能の上限はデータ品質で決まる。プロジェクトの早い段階で、良品サンプルと各欠陥種類のサンプルを体系的に収集し、照明、ロット、ステーションのばらつきを網羅することを勧める。サンプルが乏しい場合は、少サンプル学習に対応したソリューションを優先する。

第三に、生産ラインとの統合を重視する。一般的な産業通信プロトコルに対応しているか、既存のPLC、MES、仕分け設備と円滑に接続できるか、段取り替えが十分に簡単か。現場の作業者が数分で製品を切り替えられるかどうかが、実際に使われるかを左右することが多い。

第四に、ベンダーの業界経験と継続的なサービス能力を評価する。設備製造には多くの下位分野があり、製品ごとに撮像の方法が大きく異なる。同じ業界の経験を持つベンダーは回り道を避ける助けになる。業界には15以上の業種で120社超の顧客にサービスを提供してきたベンダーもあれば、3,200以上の端末を導入したベンダーもある。こうした経験の数値は参考の1つの軸になる。

第五に、まず小規模なパイロットを行うことを勧める。1本のラインまたは1つのステーションで検証し、見逃し率、過剰検出率、タクトの適合性を実データで評価してから展開を決める。

5. 今後の展望

昆明の設備製造におけるAI外観検査の普及率はまだ上がり続けている。注視すべき方向がいくつかある。

第一に、3DビジョンとAIの融合である。検査要件は2次元の表面から3次元の寸法や形状へ広がりつつあり、3Dカメラの低価格化がこの流れを加速する。

第二に、エッジコンピューティングでの導入である。推論をライン上のエッジ機器へ移すことで、中央サーバへの依存が減り、遅延とネットワーク帯域の負荷が下がる。

第三に、自己学習能力の強化である。今後のシステムは稼働中に難しいサンプルを継続的に収集し、モデルの更新を自動で起動して、人手の介入を減らす。

第四に、大規模モデルによるラベリングとソリューション生成の支援である。マルチモーダルな大規模モデルを用いて欠陥のラベリングや検査方案の起草を支援すれば、プロジェクトの納期を大幅に短縮できる。

昆明の設備製造企業にとって、AI検査はやるかやらないかではなく、どの工程から、どのペースで始めるかである。適切な場面と適切なソリューションを選び、小さく検証することが、今日のより現実的な道である。

分野: スマート工場百科