ナレッジセンター
目次

安陽:AI外観検査システム

安陽の鉄鋼冶金業でAI外観検査システムを導入する核心的な価値は、人の目と経験に頼っていた表面欠陥検査を、産業用カメラとアルゴリズムモデルによる等級判定に変えることにある。安陽は河南省の重要な高級鋼・石炭化学の基地であり、熱延コイル、冷延板、棒線のラインが密集し、検査工程の流出率と人件費は長く現場管理の課題であった。こうしたシステムがまさに当てはまる領域である。

1. AI外観検査システムとはどのようなシステムか

単独のカメラソフトではなく、生産ラインと品質管理システムの間に位置する判定装置である。ハード面では産業用エリアカメラまたはラインカメラ、照明、産業用コンピュータで構成され、ソフト面では欠陥検出モデル、分類・等級付けモデル、レポート用インタフェースで構成される。従来のマシンビジョンとの違いは、従来のビジョンがエッジや輝度のしきい値を人が書いたルールで判定し、鋼種や酸化スケールの状態が変わればパラメータを調整し直す必要があるのに対し、AI外観検査はサンプルで学習したモデルで欠陥の形態を認識し、偽欠陥と真の欠陥の分離に強い点にある。

一般的な表面検査計と比べると、AI外観検査システムは閉ループをより重視する。検出結果は単なるマークではなく、圧延ラインの工程パラメータ、コイル番号、ヒート番号と関連づけられ、欠陥分布を品質判定や耳切り最適化へ返す必要がある。業界の主流ソリューションはMESやQMSとのインタフェースを備えるのが一般的で、これは選定時に見落とされやすいが重要な点である。

2. 主な機能モジュールと技術ポイント

1. 画像撮像ユニット。鉄鋼ラインは高速で、熱延現場は高温放射と水蒸気があるため、カメラの選定とハウジングの設計が撮像の安定性を直接決める。ストリップや厚板には高周波照明とラインカメラの組み合わせが一般的で、棒鋼は複数カメラを取り囲む配置が主流である。

2. 欠陥の検出・分類モデル。これがシステムの中核である。一般的な欠陥種類には割れ、介在物、スカブ、引っかき傷、圧入スケール、ロールマークがある。モデルは検出率と誤警報率の2つの問題を解かなければならない。鉄鋼現場には疑似欠陥が多く、水の跡、反射、酸化色の差は初期モデルではいずれも誤判定されるため、ベンダーのサンプルライブラリの蓄積と現場での反復能力が、アルゴリズムの専門用語以上に重要である。

3. 等級判定と品質処置。検出後、欠陥の寸法、密度、位置で等級を付け、耳切り、格下げ、廃棄に結びつける。このロジックは通常、製鉄所の判定基準と整合させる必要があり、同じ欠陥でも顧客によって許容度が異なる。

4. データトレーサビリティとレポート。欠陥分布をコイル別・バッチ別に集計し、品質部門へ出力して工程改善に使う。優れたシステムは欠陥位置をコイル長手方向のメートル位置にマッピングでき、下流工程がその部分を避けて切断しやすくなる。

3. 鉄鋼冶金における典型的な適用シーン

安陽の地元熱延ストリップ企業が毎秒十数メートルで操業し、検査は仕上げミル出口で検査員が3交代の目視確認を行い、疲労による流出、とくに夜勤での流出が起きていたとしよう。AI外観検査システムの稼働後は、ランナウトテーブル上部にカメラを固定し、ストリップの上下両面の画像をリアルタイムに取得し、モデルが割れや介在物を高感度に検出し、圧入スケールを等級付けする。判定結果は切断最適化システムへ同期され、不良区間が自動でマーキングされるため、後工程での顧客クレームが減る。

さらに、ばね鋼の棒鋼を製造する企業で、表面のキズと脱炭層が主な欠陥であるケースを想定する。棒鋼は円筒面のため1台のカメラでは覆えず、回転機構やリング配置による複数カメラが必要になる。こうしたシーンはアルゴリズム以上に機械的な統合への要求が高く、選定時にはベンダーが棒線ラインでの現場統合経験を持っているかを確認すべきである。

冷延板のシーンはさらに異なる。冷延は表面品質の要求が最も厳しく欠陥も小さいため、照明方案をより細かく設計する必要がある。同時に冷延ラインには通常すでに表面検査計が導入されているため、AIシステムは既存の判定ロジックを置き換えるか高度化する形が多く、インタフェースの互換性と過去データの移行が実装上の難点になる。

4. 選定と導入の提言

第一に、ベンダーの鉄鋼業界でのサンプル蓄積を見ること。デモ用の汎用欠陥ライブラリではない。鉄鋼の欠陥形態は3Cや自動車部品と大きく異なり、業界サンプルで学習していないモデルは現場で誤警報率が非常に高くなる。

第二に、現場統合能力に注目すること。鉄鋼ラインの環境は過酷で、カメラの保護、光源の放熱、通信の耐干渉はいずれもエンジニアリングであり、アルゴリズムがどれほど優れていても確実に設置できなければ意味がない。ベンダーには検出精度の指標だけでなく、類似ラインでの統合事例の説明を求めるとよい。

第三に、既存の品質システムとの接続方法を明確にすること。AI検査の結果は最終的に品質判定の流れに入るため、インタフェースプロトコル、データ形式、判定しきい値の保守責任を契約前に合意しておく。

第四に、初回稼働で完璧を期待しないこと。合理的な進め方は段階的で、まず欠陥の検出とアラーム、安定してから自動等級付けと処置の閉ループへ進む。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・海外市場をカバーするベンダーは、インタフェースの標準化と現場サービス対応で一般に強い保証があるが、鉄鋼表面検査という特定領域では、実際のラインでの結果を確認する必要がある。

第五に、投資回収を算定すること。AI外観検査が置き換えるのは検査工数と流出損失であり、品質システム全体ではない。ライン速度、鋼種数、欠陥の複雑さによって回収期間は大きく異なるため、1本のラインで試算してから広げるべきである。

5. トレンド展望

今後を見通すと、鉄鋼業界のAI外観検査システムは2つの方向へ進む。1つはマルチモーダルな融合であり、画像検査に板厚、板幅、温度のデータを組み合わせて総合判定し、視覚だけによる誤判定を減らす。もう1つはエッジ導入とモデルの自己反復で、推論はライン側、サンプル返送とモデル更新はクラウドで行い、生産バッチの変化に合わせてシステムが進化する。安陽のように鉄鋼が集中する地域では、検査データの地域的な蓄積が工程最適化に還元される可能性もあり、これは単点での人手代替より重要である。

分野: スマート工場百科