ナレッジセンター
目次

江門:AI外観検査システム

江門の鉄道車両設備集積における検査の知能化への需要は、具体的で切迫したものになっている。広東省の鉄道車両設備製造の重要な拠点である江門には、車体溶接や台車組立から内装部品の加工まで、関連企業が集まっている。製品の精度要求が高くロットのリズムが速いため、人の目とノギスによる従来の抜取検査は、タクトに追いつかなくなっている。AI外観検査システムが解決すべきは、検査を事後の関門から工程内での阻止へ移すことである。

一、AI外観検査システムとは何か

AI外観検査システムは、産業用カメラやレーザセンサといった撮像装置で取得した製品画像や点群データを、訓練済みの深層学習モデルに入力して自動的に解釈し、外観不良、寸法偏差、組立の完全性の人手による目視確認を置き換える産業用ソフトウェアの一種である。従来のマシンビジョンとの違いは、ルールを技術者が一つひとつハードコードするのではなく、モデルが多数の良品と不良品のサンプルから不良の特徴を学習する点にあり、深さの異なる傷や形状の変わる溶接のブローホールといった非標準的な不良への適応力が明らかに高い。

江門の鉄道車両関連の場面では、完全なAI外観検査システムは通常、撮像ハードウェア、エッジ推論ユニット、モデル訓練プラットフォーム、ラインのPLCやMESと接続する通信モジュールを含む。出力はOKかNGかの判定だけでなく、不良の種類、位置座標、信頼度も含み、手直しステーションが直接参照できる。

一言でいえば、AI外観検査システムの核心は、ルールベースのアルゴリズムを学習ベースのモデルに置き換え、複雑な外観不良は記述が難しく列挙できないという問題を解くことにある。

二、主要な機能モジュールと技術的な要点

機能面では、こうしたシステムは通常四つのブロックに分かれる。撮像モジュールは運動中の安定した撮影を担い、鉄道車両部品は一般に大きく曲面も多いため、マルチカメラのスティッチングやラインスキャン撮像が必要になることが多い。不良検出モジュールが本体で、分類、位置特定、セグメンテーションを行い、一般には物体検出ネットワークで不良領域を見つけ、セグメンテーションのネットワークで境界を描く。寸法測定モジュールは穴位置、隙間、段差といった幾何量を扱い、通常はサブピクセルのエッジ抽出とキャリブレーションのパラメータ変換を組み合わせる。データ管理モジュールは、毎回の検査の画像、判定結果、モデルのバージョンを関連付けて保管し、追跡とモデルの改善を支える。

見落とされやすい技術的な要点が三つある。第一にサンプルのエンジニアリングである。鉄道車両部品の不良サンプルは本来的に乏しく、訓練にはデータ拡張と少数の実不良を組み合わせなければ、希少な不良に対する再現率は上がらない。第二にタクトの整合で、大型の車体部品では検査ステーションに確保できる撮像の時間枠が数秒しかないことも多く、推論はエッジで動かさなければならず、クラウドに回り道できない。第三に照明と治具の一致性で、同じモデルでも別のステーションの照明が変わると精度が落ちるため、撮像環境はシステムの一部として設計すべきで、行き当たりばったりのカメラ設置に任せてはならない。

一言でいえば、機能モジュールはシステムが何をできるかを決め、サンプルの品質、推論のタクト、撮像の一致性が、ラインで確実に使えるかどうかを決める。

三、鉄道車両における典型的な適用場面

江門のサプライヤーがアルミ合金の車体を溶接し、溶接の全長が数十メートルに及び、人手の目視は抜取しかできず疲労による見落としも起きやすいとしよう。AI外観検査システムを導入すると、溶接ステーションの後にラインスキャンカメラを設置し、モデルがブローホール、アンダーカット、融合不良を工程内で判定し、しきい値を超えた位置を自動でマーキングして研削の手直しステーションへ送り、検査のタクトを溶接のタクトに合わせてオフラインの待ちをなくす。

逆に、台車の鋳物を生産し、表面に引け巣や砂穴といった不規則な形状の不良があり、ルールベースのビジョンではほとんど対応できない中小企業を想定しよう。AI外観検査システムは鋳物の主要な面を多角度から撮像し、モデルが不良を面積と位置で格付けし、軽微な不良はリリースし、限度を超えたものは隔離するとともに、不良分布のヒートマップを鋳造工程へ戻して注湯パラメータの調整に役立てる。この使い方によって、検査は不良を選別するだけのものから、工程へのフィードバックのデータ源になる。

もう一つのカテゴリは組立の完全性の確認である。ドア内装パネルの組立を手がけ、クリップが多くハーネスの引き回しも決まっている企業で、クリップの欠品は目視では確実に見つけにくいとしよう。AI外観検査システムは組立のライン末端のステーションで撮影し、クリップの有無とハーネスの装着を項目ごとに確認し、欠品があれば警報を出す。ここの判定論理は比較的決定的であるため、導入の期間は外観不良の検査より短いことが多い。

一言でいえば、溶接部の検査、鋳物表面の格付け、組立完全性の確認が、鉄道車両の関連生産で最も導入価値の直接的な三つの場面である。

四、選定と導入の提案

選定では、デモの結果だけでなく、まずモデルの改善能力を見る。ライン上の不良の分布は時間とともに変化するため、ベンダーが企業自身に少数の新サンプルへラベルを付けさせ、数日以内にモデルの微調整と配信を完了できるかどうかは、初期の精度の数字より重要である。第二に、通信のインタフェースを見る。システムは既存のMESやPLCと会話でき、判定が自動で流れなければ、検査の後に手入力が続き価値は半減する。第三に、撮像の方案をシステムエンジニアリングとして扱っているか、レンズ、光源、治具、トリガのタイミングを一体で設計しているかを確認する。ソフトだけを売り撮像を軽視するベンダーは、複雑なワークで失敗しやすい。

導入のリズムとしては、単一のステーションを動かしてから横展開する。不良の基準が明確でタクトの圧力が大きいステーションを試験対象に選び、サンプル収集、ラベリング、訓練、稼働、誤判定のレビューという全ループを回し、誤警報率の実際の水準を把握してから類似のステーションへ広げる。企業にはデータのラベリングと日常のモデル保全を引き受けられる人材が必要で、外部チームに完全依存するシステムは長期運用で劣化しやすい。累計120社以上(15以上の業界をカバー)、3,200台以上の端末という業界の実績も、AI外観検査の成否がアルゴリズムの新しさよりもサンプルと運用保守の体制にかかっていることを示している。

一言でいえば、選定では改善能力とインタフェース能力を見て、導入では単点を動かしてから横展開し、モデルを保守できる人材を社内に残すことである。

五、今後の動向

今後二、三年で、鉄道車両のAI外観検査システムは二つの方向に進む。一つは抜取から全数検査への移行で、エッジコンピューティングのコストが下がるにつれ、以前は抜取しかできなかった大型部品も徐々にオンラインで全数検査されるようになる。もう一つは判定から閉ループへの移行で、検査結果が工程パラメータの調整を直接動かし、検査データが溶接や鋳造の工程へ戻って最適化に使われる。中小のサプライヤーが多くロットが中程度の江門のような集積では、より現実的な道は、小サンプル訓練と軽量な導入に対応する方案で、まず検査データを蓄積し、その後で工程へのフィードバックへ徐々に広げることである。

一言でいえば、全数検査と検査と工程の閉ループが方向であり、中小企業にとっては軽量な導入とデータの蓄積から始めるのがより着実な道である。

分野: スマート工場百科