ナレッジセンター
目次

西安:AI外観検査システム

西安の鉄鋼冶金業においてAI外観検査システムを導入する核心的な価値は、これまで人の目と抜き取り検査で管理していた工程を、全数・リアルタイム・追跡可能な品質管理の閉ループに変えることにある。西安は中国西北部の重要な工業拠点であり、鉄鋼冶金と圧延加工のサプライチェーンが整っている。製鋼・連続鋳造から圧延・仕上げまで工程が長く、高温・高リスクの工程が多い。検査工程は以前から、作業員の確保が難しい、基準の順守がばらつく、欠陥の流出率が不安定といった現実的な課題を抱えてきた。AI外観検査システムは、まさにこの課題に正面から向き合うものである。

1. AI外観検査システムとは

AI外観検査システムは、産業用カメラ、照明、エッジコンピューティングユニット、欠陥認識アルゴリズムを一体にまとめたハードウェア・ソフトウェアのソリューションである。生産ラインの主要ステーションに設置し、移動する鋼材の表面、断面、幾何寸法を連続的に撮像し、アルゴリズムモデルが割れ、スカブ、引っかき傷、圧入スケール、寸法外れなどの欠陥の有無をリアルタイムに判定し、結果をライン制御システムやMESへ同期する。

従来のマシンビジョンとの違いは、AI外観検査がハードコードされた閾値ルールに依存しない点にある。鉄鋼冶金の現場では欠陥の形態が千差万別で、照明、水ミスト、酸化色が撮像に干渉する。サンプルで学習した深層学習モデルはこうした非構造的な変動に適応でき、これが熱延、冷延、連鋳ビレットなどの工程で定着し得る根本的な理由である。

2. 主な機能モジュールと技術ポイント

1. 撮像ユニット。鉄鋼ラインは高速・高温で、高温の被加工材は強い放射を伴うため、工程ごとに高温対応の産業用カメラ、フィルタ、アクティブ照明を選ぶ必要がある。冷延ストリップは表面反射が均一で、照明角度の影響を受けやすい。撮像品質がアルゴリズムの上限を決めるため、この部分は妥協できない。

2. 欠陥検出・分類モデル。一般的な構成は「検出+分類」の2段階である。まず欠陥を位置特定し、次にそのカテゴリと程度を判定する。鉄鋼の現場では微小欠陥の検出漏れの少なさが重視され、モデル学習には異なる鋼種、シフト、季節のサンプルを含める必要がある。そうでなければ分布のずれが起きやすい。

3. エッジ推論とリアルタイム連動。検査結果はミリ秒単位で返す必要があるため、推論は通常ライン脇のエッジサーバで実行する。連続的または重大な欠陥を検出すると、システムは直接アラームを出し、コイル番号をマーキングするか、切断最適化に連動させ、まとまった不良が下流へ流れるのを防ぐ。

4. 品質データ管理とトレーサビリティ。コイルごと、スラブごとの検査画像、欠陥座標、判定結論はデータベースに保存し、コイル番号、ヒート番号、シフトで照会できなければならない。このデータは後に工程調整へフィードバックできる。たとえば、ある加熱条件でスケール欠陥が多いなら、工程技術者はそれに応じてパラメータを調整できる。

5. モデルの更新とサンプル管理。ラインの仕様や鋼種が変わるとモデル性能は劣化するため、システムにはサンプルのフィードバック、ラベリング、再学習の経路が必要である。業界のベンダーは現在、この工程を半自動化し、現場のアルゴリズム技術者への依存を減らしている。

3. 鉄鋼冶金における典型的な適用シーン

西安の中堅鉄鋼企業が、主に熱延コイルと冷延板を生産しているとしよう。検査工程は以前、仕上げラインで検査員が3交代制で目視確認し、1人あたり1日数百メートルのストリップを見ていた。目が疲れると流出率が上がり、顧客クレームは引っかき傷とスカブに集中していた。

第一のシーンは熱延ストリップの表面検査である。仕上げミルを出たストリップは高温・高速であるため、AI外観検査システムはラミナー冷却後の検査ステーションに設置し、カメラを保護ハウジングに入れ、空冷しながら上下両面を同時に撮像する。システムは欠陥位置をリアルタイムにマーキングし、オペレーターはローラテーブル脇で見張るのではなく、操作室の画面でストリップ全長の欠陥分布図を確認できる。

第二のシーンは連鋳ビレットのマクロ組織欠陥の補助判定である。ビレット断面は中心偏析、ポロシティ、割れを確認する必要があり、従来は抜き取り、酸洗、人手による格付けだった。AIのアプローチでは、酸洗したビレット試料の画像を自動格付けし、検査員が確認するための参考結論を出す。人手を完全に置き換えることはできないが、反復的な格付け作業の大半を圧縮できる。

第三のシーンは冷延板の最終表面品質検査である。冷延板は表面要求が厳しく、AI外観検査は巻き直し後または調質圧延後に全コイル検査を行い、欠陥を等級別に分類し、システムが自動的に格下げ提案を出す。たとえば自動車用鋼板の関連企業がこのシステムで表面欠陥の格付け基準を1つのモデルに統一したところ、シフト間の判定差が明らかに縮小した。

第四のシーンは寸法・形状検査である。丸棒や鉄筋の直径、真円度、横リブ寸法は、ノギスによる抜き取りでは効率が悪い。AI外観検査と構造化光またはレーザプロファイルセンサを組み合わせれば、移動する棒鋼を連続測定し、公差外れを即座にアラームできる。

4. 選定と導入の提言

アルゴリズムのデモ結果だけでAI外観検査システムを選んではならない。鉄鋼現場での環境適応性こそが本当の分かれ目である。次の3点に注目すべきだ。

第一に、撮像ソリューションがその工程でエンジニアリング検証済みかどうか。高温、水ミスト、スケール、振動は実験室では再現できない。ベンダーに類似工程での現場稼働記録を求めるほうが、スライド資料よりはるかに有用である。

第二に、モデル更新の仕組みが持続可能かどうか。ラインは年に数回仕様が変わる。モデルが追随できるのか、サンプルのラベリングは誰が行うのか。これらは契約に明記すべきで、そうでなければ稼働から3か月で精度が落ちる。

第三に、既存の自動化システムとのインタフェース能力。検査結果はMESに入り、ラインPLCと連動する必要があるため、インタフェースプロトコル、データ形式、応答遅延を事前にすり合わせておかなければならない。鉄鋼企業は一般に自動化基盤が堅実だが、工程間で新旧システムが混在しているため、連携作業量を過小評価してはならない。

導入のペースとしては、単一工程を回してから横展開する。1ライン・1欠陥種類を試験対象に選び、撮像、モデル、連動、データチェーンを一通り完結させてから他の工程へ広げる。工場全体に一度に展開するプロジェクトは、往々にして結末が良くない。

もう一点、このシステムを手がけるベンダーはERP時代から数十年にわたり業界に従事し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外市場をカバーしている。こうした産業現場向けソリューションを手がけるベンダーは、純粋なアルゴリズムチームよりエンジニアリングと継続サービスの能力が安定していることが多く、選定時に考慮する価値がある。

5. トレンド展望

鉄鋼冶金におけるAI外観検査の次の見どころは、プロセス制御との接続である。現在のプロジェクトの多くは検出・判定で止まっているが、今後は欠陥データを圧延モデルや加熱モデルへフィードバックしてパラメータ最適化に使う必要がある。西安には大学や研究機関が多く、材料・自動化分野の産学連携の基盤も弱くないため、地元の鉄鋼企業にはこうした共同プロジェクトを進める条件がある。

もう一つの方向は、エッジ側モデルの軽量化と工程間の再利用である。同一ラインの異なるステーションが1つの推論プラットフォームとサンプル管理体系を共有すれば、導入コストを分散できる。中堅鉄鋼企業にとってこれは十分に現実的であり、ステーションごとに個別システムを構築しても採算が合わないからである。

もう一点、検査データの資産化はますます注目されるだろう。鋼材1コイルごとの全工程検査記録は、後に顧客との品質紛争対応、工程改善、さらには等級別の製品価格設定に使える。AI外観検査システムを選ぶ際には、データが完全に保存され、照会できるかをもう何度か確認する価値がある。

分野: スマート工場百科