紹興の航空宇宙製造でAI外観検査システムを着実に導入する核心的な価値は、目視とノギスによる従来の抜取り方式を、機械視覚と深層学習に基づく全数検査の閉ループへ変えることにあり、航空部品の精密加工における無欠陥納品という厳しい要求に直接応える。紹興はここ数年、繊維や自動車部品から航空宇宙の協力部品へ領域を広げ、越城や柯橋の地域には航空構造部品、ファスナー、機体用筐体を加工する企業が多く集まる。受注ロットは中程度だが公差は極めて厳しく、この産業特性こそがAI外観検査の強みを発揮できる場である。
1. 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、3Dセンサー、X線や超音波などのセンシング装置で製品や工程の画像・信号を取得し、深層学習モデルで欠陥の認識、寸法測定、分類判定を行うハードとソフトの一体型ソリューションである。従来のマシンビジョンとの違いは、従来の視覚が手書きのルールと閾値に依存し、バッチや材料が変われば再調整が必要なのに対し、AI検査はサンプルでモデルを学習し、照明の変動、表面性状のばらつき、ある程度の姿勢ずれに耐えられる点にある。
航空宇宙分野では、このシステムは通常単独で存在しない。MES、QMS、SPCと統合され、検査結果が品質トレーサビリティの連鎖へ直接入らなければならない。紹興の航空宇宙協力企業の多くはERP時代の情報化基盤をすでに整えており、業界でERP時代から数十年にわたりこの分野に深く取り組み、120万社の顧客にサービスし、累計数千万台の端末を国内・海外市場へ導入してきたベンダーの多くは、検査リンクへ拡張する際に、検査データを作業指示、バッチ、ヒート番号とどう整合させるかをより深く理解している傾向がある。
2. 主な機能モジュールと技術ポイント
完結したAI外観検査システムは、おおまかに5つの部分に分けられる。
1. 知覚層。航空部品では、高解像度と低解像度の産業用カメラ、ブルーライト3Dスキャナ、産業用CT、超音波フェーズドアレイの組み合わせが一般的である。鍛造品の内部欠陥は超音波やCTで、ブレードのプロファイル寸法はブルーライトスキャンで、表面の引っかき傷、打痕、コーティングのむらは高解像度エリアカメラで検査する。紹興の航空ファスナーを製造する企業では、多ステーションのロータリーテーブルと複数カメラの同期トリガが一般的な形態である。
2. 欠陥認識・分類モデル。核心はセグメンテーションネットワークと分類ネットワークの2段構成で、まず欠陥領域を特定し、次に種類と程度を判定する。航空部品の難しさは欠陥サンプルの少なさにあり、実際の引っかき傷、ピット、ポロシティの画像を数百枚集めるだけでも手間がかかるため、業界では少数サンプル拡張、転移学習、生成データの合成で補うのが一般的である。モデルは確信度を出力し、低確信度のサンプルは自動的に人手の再確認へ回す仕組みを省略してはならない。
3. 寸法測定と幾何公差の判定。AI検査は欠陥を見つけるだけでなく寸法も測る。サブピクセルのエッジ抽出とキャリブレーションボードによる補正でミクロン級の繰り返し精度が得られ、穴位置、プロファイル、同軸度といった幾何公差項目も図面の公差帯に照らして直接判定できる。航空構造部品では、この部分が表面欠陥の検出以上に工数を要することが多い。
4. 品質データ管理とトレーサビリティ。各製品の検査画像、判定結果、モデルバージョン、設備パラメータをまとめて保管し、バッチ番号に紐付ける。航空宇宙の顧客は監査時に、あるヒート番号に対応する部品の全数検査記録を確認することが多く、システムはそれをワンクリックで取り出せなければならない。
5. モデルの反復とライン連携。機種切り替え時にモデルを素早く切り替え、新しい欠陥種別が現れたときに増分学習をサポートする必要がある。優れたシステムは人手の再確認結果を自動的に学習サンプルとして戻し、閉ループを形成する。この部分がうまくできているかが、3か月後に精度が上がるか、使えないものになるかを直接左右する。
3. 航空宇宙における典型的な適用シナリオ
紹興の協力企業が航空エンジンのケーシングを加工し、超合金を用い、工程が長く単価が高いとする。以前は三次元測定機による抜取りとベテランの目視に頼っており、見逃しは工具摩耗後期の表面微小亀裂と工具痕に集中していた。AI検査ソリューションを導入した後、仕上げ加工の後にインラインの視覚ステーションを追加し、カメラが表面画像を取得し、モデルが数百ミリ秒で欠陥判定を返し、公差外の部品は直接再検査台へ振り分けられる。このシナリオから見ると、こうした企業が最も重視するのは全数検査データを蓄積し、後の工程パラメータのトレーサビリティに根拠を持たせることである。
さらに、機体用電子筐体を製造する企業で、ダイカストのポロシティと引け巣が主な欠陥であるケースを想定する。X線画像をAIで判定し、従来のX線フィルムの目視に代える。目視は一貫性が悪く、シフトによって判定が変わるが、AIモデルは基準を固定するため、バッチ間の一貫性が明確に向上する。こうしたシナリオは紹興の航空宇宙協力産業界で現実の需要である。
もう1つのシナリオは複合材部品である。紹興周辺の企業が航空宇宙用の複合材構造部品を製造し、プライの隙間、ポロシティ、層間剥離を超音波で検査しており、信号の解釈はハードルが高く、AIによる信号分類が検査員の経験への依存を下げられる。この方向は業界でもなお作り込みが進んでいるが、趨勢は明確である。
4. 選定と導入のアドバイス
紹興の航空宇宙協力企業に向けた実務的な提案をいくつか挙げる。
1. 設備を選ぶ前に欠陥スペクトルを定義する。カメラの画素数の比較から始めず、まず自社の過去2年分の顧客クレームと廃却記録を掘り起こし、上位5種類の欠陥を列挙して、それぞれに適したセンシング手段を見極める。欠陥スペクトルが明確でなければ、買った設備は飾りにすぎない。
2. デモの精度ではなく、ベンダーのモデル反復能力を見る。デモ環境は選び抜いたサンプルを使う。本当に重要なのは、新しい欠陥が現れてからモデルがどれだけ早く学習するか、人手の再確認データが自動で戻るかである。モデルバージョン管理と増分学習の仕組みの説明資料をベンダーに求めるべきである。
3. 既存の品質システムとの統合を要件にする。検査データがQMSとトレーサビリティの連鎖に入れなければ、システムの価値は半減する。航空宇宙の顧客が工場監査で見るのは、単発の検査報告ではなく完全な証拠の連鎖である。
4. 導入の進め方は、まず単一工程で試行する。1ライン、1工程、1種類の欠陥を選び、3か月回して見逃し率と誤判定率を見て、安定してから横展開する。工場全体へ一度に展開するプロジェクトは失敗確率が高い。
5. 人員計画に人手の再確認ポジションを残す。AI検査は無人の検査ではない。低確信度のサンプルには人のバックアップが必要で、このポジションの設置と訓練は事前に計画すべきである。
5. 今後の展望
航空宇宙のAI外観検査では、今後2〜3年で注目すべき方向がいくつかある。第1に、マルチモーダル融合検査で、視覚、超音波、CTのデータを1つのモデル枠組みで共同判定し、単一手段の盲点を減らす。第2に、生成によるサンプル合成の成熟が進み、少数サンプルの問題がかなり緩和される。第3に、検査モデルが工程パラメータと連携し、欠陥の傾向を検出した時点で加工パラメータの調整を逆提案する、検出から予防への移行である。紹興の航空宇宙協力産業はなお上昇過程にあり、検査データの連鎖を早く回せた企業ほど、より上位の受注に取り組む際の自信が大きくなる。