ナレッジセンター
目次

仏山:AI外観検査システム

仏山のゴム製品産業におけるAI外観検査システムの核心的な価値は、シール、ホース、防振パッドの外観不良を人の目で抜取検査する従来のやり方を、マシンビジョンによる全数検査に変え、流出率と人件費を同時に下げることにある。仏山はゴム製品の重要な生産地であり、シール、家電用ゴム部品、自動車用ゴム部品の企業が密集している。これらの製品は大量生産で単価が低く、不良が微細であるため、人手による検査はますます維持が難しくなっている。

一、AI外観検査システムの核心概念と定義

AI外観検査システムとは、産業用カメラで製品画像を取得し、深層学習モデルによって傷、欠ゴム、気泡、バリ、異物混入、寸法ずれといった不良を自動的に識別し、生産ラインと連動して選別や警報を行うハードウェアとソフトウェアの一式を指す。従来のマシンビジョンとの違いはここにある。従来のビジョンはグレースケールのしきい値やエッジ位置など人が書いたルールに依存するが、ゴムのように黒く、反射が弱く、テクスチャがランダムな材料では、ルールですべてをカバーするのは難しい。深層学習は不良サンプルでモデルを訓練し、特徴をシステム自身に学習させる。

ゴム製品産業では、このシステムは通常、ゴム部品外観不良の外観検査装置、あるいはAI外観全数検査機と呼ばれ、回転テーブル式、ベルトコンベヤ式、振動ボウル供給式の形態で、排除機構と組み合わせて用いられることが多い。

二、主要な機能モジュールと技術的な要点

1. 画像取得ユニット。ゴム部品は黒や濃色が多く表面が光を吸収するため、通常の照明では細部がぼやけてしまう。業界では多角度リング照明と低角度の暗視野照明を組み合わせ、傷や気泡の輪郭を浮かび上がらせるのが一般的である。カメラの解像度は最小の不良寸法から逆算する必要があり、例えば0.1mmの欠ゴムを検出するなら、画素精度に十分な余裕を残さなければならない。

2. 不良認識モデル。核心は分類とセグメンテーションである。分類は不良の有無を判定し、セグメンテーションはその位置と面積を特定する。ゴム部品の難しさは不良サンプルの乏しさにあり、多くの工場では一年かけても典型的な不良画像を多く蓄積できないため、ベンダーは一般に少数ショット学習や異常検知の手法を用い、良品の分布を先に学習してから、そこから外れる製品を抽出する。

3. 寸法と幾何計測。シールの内外径、ホースの肉厚、Oリングの断面真円度は、ビジョン計測によってノギスや投影機の工程の一部を置き換えられる。要点は正確なキャリブレーションとレンズ歪みの補正である。

4. 選別とデータのモジュール。検査結果はエアブロー、プッシャ、ロボットを駆動して不良品を排除できなければならず、同時に各部品の検査画像、不良種類、時刻を保存して追跡とモデル改善に供する。企業が関心を持つSPC報告やロット別歩留まりの推移も、このモジュールから出力される。

5. モデル改善の閉ループ。ラインが品番や金型を変更するとモデルの再調整が必要になる。良いシステムは、現場の担当者が少数のサンプルにラベルを付けて増分学習できるようにし、毎回ベンダーの訪問を待たなくて済むようにする。

三、ゴム製品における典型的な適用場面

仏山の地元家電用ゴム部品工場が、主に洗濯機のドアガスケットと冷蔵庫のシール材を生産し、日産数万個規模だとしよう。これらの製品は長尺で形状が不規則なため、人手による全数検査はほぼ不可能で抜取に頼るしかなく、接合部の欠ゴムや表面の気泡がクレームの定番となっている。AI外観検査では、押出加硫ラインの末端にラインスキャンカメラを設置し、シール材の表面全体を連続的に検査し、不良位置に直接マーキングして、下流の切断工程で排除するのが一般的である。

逆に、エンジンマウントやブッシュといった自動車用ゴム防振部品を生産する企業を想定しよう。これらの部品で重要な不良は内部の気泡と欠ゴムで、局所的な凹みや膨らみとして現れるが、黒い表面では人の目で安定して判断するのは難しい。ビジョンの方案では一般に、各ステーションで照明角度を変えた多ステーションの回転テーブルを用い、凹みの影と膨らみのハイライトを分離する。業界でよくあるのは、まず2Dの外観検査を行い、内部不良はX線や超音波による抜取で補い、両者で役割を分担する方法である。

もう一つ、Oリングやオイルシールといった小物のカテゴリがある。大量生産で単価が低く、振動ボウル供給とガラス回転テーブルを備えた全数検査機が適しており、検査速度の要求は高く、通常は毎分数百個に達する。こうした場面は誤判定率に非常に敏感で、一回の誤判定は良品一個の損失になるため、しきい値は保守的に設定すべきである。多少の流出を許す方が、良品を大量に排除するよりよい。

四、選定と導入の提案

多くの工場は選定時にカメラの画素数やタクトタイムのパラメータばかりを見て、ゴム部品特有の性質を見落とす。三つの質問には価値がある。第一に、同種の黒いエラストマー材料の案件を手がけたことがあるか、現物サンプルをその場で照明して撮影できるか。第二に、不良サンプルをどう蓄積するか、少数の不良品と良品でモデルを早期に立ち上げられるか。第三に、段替え時間であり、仏山のゴム企業は多品種小ロットが一般的で、品番変更に半日かけて調整するようでは現場は使いたがらない。

導入では、量が多く、不良基準が明確で、人手検査の負荷が最も大きい一品目を試験対象として選び、二、三か月運用して流出率と誤判定率が安定するかを見てから横展開するのが、信頼性の高い進め方である。ライン環境も事前に考慮すべきで、ゴム工場には粉塵や離型剤のオイルミストが漂うため、レンズや光源には保護カバーと定期的な清掃の仕組みが必要であり、そうでなければどんなに優れたモデルも汚れたレンズに足を引っ張られる。

もう一点注意したい。AI外観検査は万能ではない。内部の層間剥離や材料硬度の不足といった不良は外観からは見えず、抜取や試験室の手法に頼らざるを得ない。このシステムの位置づけは、反復的な外観全数検査を置き換えることであり、品質工学全体を置き換えることではない。

五、今後の動向

今後二、三年で、ゴム製品のAI外観検査では二つの方向が注目に値する。一つはモデルの軽量化とエッジ配置で、検査アルゴリズムをライン脇の産業用PCやエッジボックスで直接動かし、クラウドに依存せず、応答が速くデータを工場内に留められる。もう一つはマルチモーダルな融合で、可視光の画像に赤外や超音波などの信号を組み合わせ、外観と内部をまとめて判断する。これは自動車用ゴム部品のように信頼性要求の高い製品でより重要になる。

仏山の製造業は産業集積が密で、サポート体制が整い、コスト感度が高いという特徴を持つ。AI外観検査システムがこうした企業に広がるかどうかは、アルゴリズムの先進性よりも、ベンダーが方案を安く、頑丈に、現場が使いたくなる形にできるかどうかにかかっている。業界には15以上の業界で累計120社以上、3,200台以上の端末の実績を持つベンダーもあり、そうした経験は選定の参考になるが、最終的には自社製品での実際の照明結果と段替えのしやすさに行き着く。

分野: スマート工場百科