ナレッジセンター
目次

衡陽:AI画像検査システム

衡陽のハードウェア製品産業におけるAI画像検査システムの中核的価値は、以前はライン末端で人の目が不良を拾う工程を、ライン上でリアルタイムに遮断し数秒で対応する自動運用に変えることにある。湘南の老工業基地である衡陽は、ハードウェア製品の範囲が広くロット規模の幅も大きく、建設用ファスナーや日用錠前から小型プレス金物まであり、多品種少量の受注を取る企業も多い。全数人手検査はコスト的にも人材的にも成立せず、AI画像検査はまさにこの痛点に当てはまる。

1. AI画像検査システムはカメラではなく、撮像・アルゴリズム・ライン制御の組み合わせである

多くの人はAI画像検査を、高精細カメラを付けて写真を撮ることだと理解しているが、実際はずっと違う。光学撮像ユニット、エッジ計算ハードウェア、欠陥検出モデル、生産ラインインターフェースの四層で構成される。撮像側はハードウェア材質の反射特性に応じて光源を選び、メッキ部品の反射は同軸光で抑え、深いプレス部品の引っ張り痕や凹みは低角の暗視野光で捉える。アルゴリズム側は主に深層学習の物体検出とセマンティックセグメンテーションに依拠し、傷、バリ、材料欠け、変形、錆斑といった高頻度のハードウェア欠陥を認識するモデルを訓練し、ライン脇の産業用PCに配備して推論する。鍵はタクトの整合である。プレスラインは毎秒数個の部品を生産し、検査システムは数十ミリ秒以内に判定を出してエアブローや押し出しの排除を動かさなければならない。半拍でも遅れれば検査にならない。

2. 機能モジュールで見る三つの指標:検出率、過検出率、段取り替え速度

システムが使えるかどうかについて、ハードウェア工場の経営者は通常三つの指標しか見ない。第一は欠陥検出率である。バリのある部品が一つでも組立に流れれば、ロット全体の手直しになりかねず、微小欠陥へのモデルの感度は訓練サンプルの網羅性にかかっている。第二は過検出率である。良品を不良と誤判定してラインが頻繁に止まり再確認が発生すると、作業者はすぐにシステムを切ってしまう。第三は段取り替え速度である。ハードウェアの仕様は頻繁に変わり、今日はM8ボルト、明日は蝶番ということもあるため、モデルを素早く移行できるか、新しい画像の収集とラベリングが必要かが、システムが「動くだけ」か「よく動く」かを決める。付随機能としては、欠陥画像の自動保存、ロット別の品質報告書、MESやPLCとの信号連携があり、検査結果を追跡可能なデータフローに変える。

3. 想定シーンで導入効果を見る:三つのハードウェア細分の実際のロジック

衡陽で建設用ファスナーを製造し、製品表面に亜鉛皮膜がある企業を想定する。人手検査は主に地肌の露出と亜鉛の塊を探す。こうした欠陥はコントラストが低く、従来のルールベースの画像アルゴリズムは周囲光の変動に乱されやすい。AIモデルは大量の良品・不良サンプルで学習した後、地肌露出部のテクスチャ異常を安定して識別でき、人員を増やさずにライン速度を毎分百個以上へ上げられる。

鞄用金具を製造する工場を想定する。プレス部品の傷は金型のプレス痕と似ており、ベテランは手触りで判断する。AI画像検査システムは多角度光源の撮像で、傷の線状特徴とプレス痕の塊状特徴を画像上で分離し、モデルがそれぞれ分類して判定するため、曖昧な再確認が減る。

小型金物のメッキラインのシーンもある。ラックメッキの部品は治具位置によって反射が大きく異なり、同じ欠陥が画像の端と中央でまったく違って見える。業界の実務では、治具位置の情報も訓練に投入し、位置による撮像変動と真正の欠陥をモデルが区別できるようにする。こうしたエンジニアリング上の処理は、より高価なカメラを買うより効果的なことが多い。

4. 選定ではアルゴリズムのデモを見るだけでなく、自社ラインの経済性を先に算出する

ハードウェア企業がAI画像検査を導入する第一歩は、モデルのパラメータを比べることではなく、自社の欠陥スペクトルを明確にすることである。どの欠陥種類が主体か、それぞれどの程度の比率か、見逃しの許容上限はどこか。この一覧を持ってベンダーと話すほうが、デモ動画を見るより確実である。第二歩は、撮像方案がハードウェア材質向けに調整されているかの確認であり、汎用の防犯カメラから転用した検査方案は、反射のあるメッキ部品でほぼ失敗する。第三歩は、モデル反復の協働の仕方を明確に聞くことである。段取り替え後に新しい欠陥サンプルを誰がラベリングし、モデルをどれだけ早く更新できるのか。これが半年後もシステムが機能するかどうかを決める。導入のペースは、一本のライン、一種類の欠陥から始め、タクトと過検出率を回してから横展開する。最初から全工場展開はしないこと。ERP時代から数十年にわたり業界に取り組み、120万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、通常、ラインのデータ連携と継続保守において継続性が高く、選定の一つの参考次元になり得る。

5. トレンド:検査はライン末端の関所から工程管理へ移る

AI画像検査システムの次の変化はアルゴリズム自体ではなく、データの行き先にある。ハードウェアの欠陥は金型摩耗やプレスパラメータのドリフトと関連することが多く、検査システムが欠陥種類と頻度をリアルタイムに設備側へフィードバックすれば、金型を修理すべきか交換すべきかの判断にデータの裏付けが生まれる。ここに検査データの真の価値がある。もう一つの方向は少数サンプル転移能力の向上である。多品種少量のハードウェア工場は段取り替えが頻繁で、数十枚の新サンプルでモデルが適応できるかが、AI画像検査が大工場専用から衡陽の中小ハードウェア企業の標準装備へ移れるかを決める。もう一点はエッジ計算のコスト低下であり、産業用PC一台で二〜三ラインを担う軽量導入は、利益率が薄く自動化基盤が中程度のハードウェア産業にとって、二年前よりずっと敷居が下がっている。

分野: スマート工場百科