ナレッジセンター
目次

湛江:AI外観検査システム

湛江のゴム製品産業におけるAI外観検査システムの中核的価値は、熟練作業者の目視判断に依存していた工程を、再現性があり追跡可能な機械の判断に変え、見逃し率の変動と人件費の上昇という矛盾に直接応えることにあります。広東省西部の主要な製造都市である湛江では、ゴム製品が養殖用の付帯部品、港湾機械のシール、家電用ゴム部品に及んでおり、こうした製品は数量が多く、表面の不具合が微細で、バッチの一貫性要求が高いため、AI外観検査が最も切実に必要とされる場面の一つです。

1. AI外観検査システムの中核概念と定義

AI外観検査システムは、産業用カメラで製品画像を取得し、深層学習モデルで不具合の位置特定、分類、等級判定を行い、結果をライン制御システムに返すソフトウェアとハードウェアの組み合わせです。人が設定したしきい値ルールに頼る従来のマシンビジョンと異なり、モデルがサンプルから不具合の特徴を自ら学習する点が中核です。ゴム製品では、シールの気泡、Oリングのバリ、ホースの擦り傷、ガスケットの欠肉といった見た目の大きく異なる不具合を、不具合種別ごとにルールを書くことなく同じ枠組みで学習・認識できます。業界では通常、こうしたシステムを4つの部分に分けます。撮像ユニット、アルゴリズムエンジン、エッジコンピューティング装置、ラインインターフェースで、オンプレミス型の導入とライン一体型ユニットのどちらでも提供されます。

2. 主な機能モジュールと技術的な要点

1. 撮像と光源制御。ゴム部品は黒や暗色が多く、表面の反射が低い一方で光を吸収しやすいため、通常のリング照明では不具合のコントラストが出ないことがよくあります。業界の一般的な方法は、低角度の暗視野照明とマルチスペクトル光源を組み合わせ、バリや擦り傷のような高低差のある不具合を明るい線として浮かび上がらせることです。カメラの選定では、0.1mmレベルの不具合を検出するには一般に500万画素以上の解像度が必要で、視野が広いほどレンズの歪曲収差の管理要求が高まります。

2. 不具合の検出と分類モデル。セグメンテーションモデルが不具合領域を背景から抽出し、分類モデルがそれが気泡か、異物か、欠肉か、擦り傷かを判定します。多くの企業は、少数の良品で教師なしの事前学習を行い、その後に数百件の不具合サンプルで微調整する方法を取ります。これにより初期のアノテーション負荷が大きく下がります。モデルの更新周期は通常数週間単位で、ラインが金型やゴム種を切り替えた際には再サンプリングが必要です。

3. 等級判定とトレーサビリティ。システムは不具合の面積、位置、個数でOK、NG、手直しの等級を付け、すべての製品の画像と判定をデータベースに保存します。ゴム製品業界はバッチトレーサビリティの要求が高く、このデータがあればクレーム分析の際に該当時期の製品画像を直接引き出せ、紙の記録をめくるよりはるかに速いです。

4. ライン連携。NG信号はIOまたはフィールドバスで排除装置へ送られ、統計はMESへ配信されます。多くの工場は誤判定率を懸念しており、実際には2次確認ステーションを設け、NG品を人が確認してから実際に排除する運用が一般的で、良品を誤って捨てて能力を損なうのを避けます。

3. ゴム製品における典型的な適用場面

湛江の地元ゴムシール工場が、主に家電向けのOリングと異形シール条を製造し、日産が数十万個だとします。以前は6〜7人の作業者がランプの下で検査し、1時間に数千個を確認していたため、午後には見逃し率が明らかに上がっていました。こうした企業は通常、最も量の多いOリングラインでAI検査を試行し、混練、成形、バリ取りの後の検査ステーションにカメラと光源を追加し、まず気泡とバリという2大不具合をモデルに学習させます。安定したらシール条へ規格を広げ、同じエッジコンピューティング装置で複数モデルを切り替えて運用します。

逆に、港湾機械用のゴム部品を製造し、製品が大型の防振ブロックやシールで、数量は少ないが1個あたりの価値が高く、不具合は内部の異物と表面の亀裂が主な企業の場合はどうでしょうか。こうした場面は高速ラインには向かず、最終検査ステーションでのAI支援による画像判定が適しており、多角度のカメラ画像と人の打音検査の結果を組み合わせて、システムが参考等級を出し、熟練者が最終確認します。ここでの焦点はタクトではなく、熟練者の経験を照会可能な画像アーカイブに変えることです。

もう一つの類型は、養殖用のゴム曝気管と継手で、水中で使われ、気密性に関わる外観不具合に敏感です。ここでのAI検査は主に管壁の厚みの均一性と継手の異常なパーティングラインを見て、気密試験ステーションと連動して総合判定し、外観不具合の見逃しによるバッチ全体の返品を減らします。

4. 選定と導入のアドバイス

多くの企業は選定時に認識精度の数値だけを見て、自社ラインの実際の撮像条件を無視します。まずベンダーに実際の不具合サンプルを渡してオフラインでテストしてもらい、自社のゴム配合と照明の下でモデルがどう振る舞うかを見るべきで、ベンダーのデモ環境で判断してはいけません。光源の構成は独立した項目として評価してください。ゴム部品の色や表面処理が変わると、元の照明がそのままでは使えなくなることがあるからです。

導入の進め方は、業界の一般的な実務として、まず単一ステーションと単一の不具合種別で検証し、等級判定の論理とライン連携を回してから規格を横に広げます。データ管理は事前に計画する必要があり、不具合画像をどれだけ保持するか、どこに保存するか、バッチ番号とどう紐付けるかは試行段階で決めておかなければ、拡張時に高くつく手戻りになります。人員面では、ラインの検査員を確認とサンプルのアノテーションへ移行させる必要があり、その移行のための教育時間を確保しなければなりません。

この分野では、15以上の業種で120社以上のお客様にサービスを提供してきたベンダーもあり、3,200以上の端末が稼働しているソリューション提供者もあります。選定時には、ゴムや類似の暗色エラストマー材でのサンプル蓄積を参考にできますが、最終的な判断は自社ラインでのテスト結果に置くべきです。

5. 今後の展望

ゴム製品業界のAI外観検査の次の段階は、単点の検査から成形パラメータとの連携へ移る可能性が高いです。つまり、システムがある不具合種別の増加を検知したときに、混練や加硫の温度・時間パラメータがずれている可能性を示唆し、検査データを工程調整の根拠に変えます。エッジの計算能力の向上により複数モデルの並行運用も安くなり、1本のラインで複数規格の検出モデルを同時に動かすことがより一般的になります。湛江のようなゴム製品の集積地では、業界レベルでの検査データの蓄積に別の意味があります。類似製品の不具合アトラスが一定の規模に達すれば、新工場が立ち上げるときのコールドスタートのコストが目に見えて下がります。

分野: スマート工場百科