ナレッジセンター
目次

Shanwei:AI画像検査システム

Shanweiの太陽光モジュールラインにおけるAI画像検査システムの価値は、人の目に代わって不良を選別することではなく、マイクロクラック、はんだ付け不良、フィンガー断線といった見えにくい欠陥を、モジュールが工場を出る前に食い止めることにあります。Shanweiは近年、新エネルギー分野への進出が顕著で、海洋工程装備、洋上風力、太陽光製造が徐々に連鎖を形成しています。モジュールの封止は、はんだ品質とラミネーション後の外観に対して検査タクトの短縮を要求し続けており、人手による目視検査ではライン速度に追いつけなくなっています。これが、こうした工場でこのシステムが繰り返し議論される実務的な理由です。

Ⅰ. AI画像検査システムの核心的な概念と定義

AI画像検査システムとは、産業用カメラで製品の画像を取得し、深層学習モデルによって画像中の欠陥を識別、分類、位置特定するハードウェアとソフトウェアの組み合わせを指します。従来のマシンビジョンとの違いは、従来のビジョンがグレースケールの閾値やエッジのテンプレートといった人が書いたルールに依存し、品種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検査はサンプルによる学習に依存し、モデルが良品と不良品の大量の画像から特徴を学ぶため、品種切替は主にサンプルの追加と微調整で済む点にあります。

太陽光モジュール業界では、このシステムが扱う対象は非常に具体的です。セルのマイクロクラックやエッジ欠け、ストリング溶接後のリボンのずれやはんだ付け不良、ラミネーション後の気泡や異物、フレーミング時のシール材の切れやはみ出し、ジャンクションボックスのはんだ付け不良、完成品の外観の傷や汚れなどです。これらの欠陥にはコントラストが極端に低いものや形状が不規則なものがあり、まさに深層学習モデルがルールベースのアルゴリズムを上回る領域です。疲れることなく、一貫した判定基準を適用する目をラインに取り付けるイメージです。

Ⅱ. 主な機能モジュールと技術的なポイント

実用的なAI画像検査システムは、通常、連動する複数のモジュールで構成され、どこか一つの環が欠けるとライン上の連鎖が途切れます。

1. 撮像と光学のモジュール。ここが土台です。太陽光の検査シーンは大きく異なります。EL検査は暗箱の中で近赤外の画像を撮ってマイクロクラックを見る必要があり、外観検査は特定の角度から照明を当てて傷を浮かび上がらせる必要があり、ストリング溶接の検査はリボンの高い反射に対応しなければなりません。光源の方式とカメラの選定を誤ると、後からどんなモデルでも挽回できません。業界の一般的な実務は、1つのカメラ構成ですべてを賄うのではなく、ステーションごとに光路を設計することです。

2. 欠陥の認識と分類のモデル。核心は検出と分類の組み合わせです。まず欠陥がどこにあるかを特定し、次にその種類と程度を判定します。太陽光モジュールの欠陥カテゴリには明らかなロングテールがあり、はんだ付け不良のサンプルは少なく、マイクロクラックの形状は多様であるため、学習時にはデータ拡張とハードサンプルマイニングが必要です。また、モデルは増分学習に対応している必要があります。ラインがペーストやリボンのサプライヤーを変えると特徴分布が変動するため、モデルもそれに応じて更新しなければなりません。

3. 判定とグレーディングのエンジン。欠陥を検出するだけでは第一歩にすぎず、ラインは処置の推奨を必要とします。システムは企業自身の基準に従って、欠陥を重大、主要、軽微に分類し、廃却、手直し、出荷可の処置に対応付けます。この基準は設定可能にしておくのが望ましく、生産技術者がベンダーにコードの変更を依頼せずに閾値を調整できるようにします。

4. ライン統合とトレーサビリティ。検査結果はPLCの排除機構、MES、モジュールのバーコードと連動しなければなりません。どのモジュールが、どの工程で、どの機械で、どのシフトに欠陥を生じたのかをすべて追跡できる必要があります。太陽光モジュールは25年の保証を約束する製品であり、品質データのトレーサビリティは加点要素ではなく必須条件です。

5. モデルの運用と再学習。ここが稼働後に緩みやすい部分です。ラインは動き続け、モデルは劣化し続けるため、誤判定サンプルを継続的に収集し、定期的に再学習し、バージョンを管理する仕組みが必要です。この環がなければ、稼働から半年で精度が落ちるのは珍しいことではありません。

技術的なポイントでは、二つの点が過小評価されがちです。一つはタクトです。モジュールラインのタクトは秒単位で測られるため、推論はラインの動作サイクル内に収まる必要があり、モデルの軽量化とエッジへの配置を事前に計画しなければなりません。もう一つは少数サンプルでのコールドスタートです。新しいラインは立ち上げ時に欠陥サンプルが極端に少ないため、業界では事前学習と少数サンプルのファインチューニングでまずシステムを動かし、その後ラインのデータで反復する方法が一般的です。

Ⅲ. 太陽光モジュールにおける典型的な適用シーン

太陽光モジュールの封止を行い、ラインがストリング溶接、レイアップ、ラミネーション、フレーミング、ジャンクションボックスのはんだ付け、完成品検査をカバーするShanweiの企業を例にします。AI画像検査システムは通常、いくつかの重要なノードに配置されます。

ストリング溶接後の検査は需要の高いポイントです。リボンのずれ、はんだ付け不良、フィンガー断線といった問題がラミネーションまで進むと、手直しのコストは何倍にも膨らみます。この工場がストリング溶接機の出口に検査ユニットを設置し、高解像度のエリアセンサーカメラと低角度の照明で各セルの溶接部を鮮明に撮影し、モデルがはんだの広がりとリボンの中心位置を判定し、規格外ならアラームを出して機械を停止するとします。こうしたステーションはタクトに最も敏感で、推論のレイテンシを100ミリ秒台まで下げる必要があります。

ラミネーション後のEL検査も欠かせないシーンです。マイクロクラックや破片はEL画像では暗い線として現れ、長時間の目視では見落としやすく、特にヘアラインクラックは顕著です。AIモデルでEL画像をセグメンテーションすると、亀裂の経路を示すことができ、長さと位置によるグレーディングも可能です。この工場がEL検査をバーコードと結び付け、各モジュールのEL画像と判定結果をデータベースに保存すれば、後日のクレーム対応時に直接呼び出せます。保証をめぐる係争では非常に有用です。

外観とフレーミングの検査は、システムの汎化能力が問われる場面です。モジュールには多くのサイズがあり、フレームの色は黒やシルバーで、接着剤の経路も一様ではありません。ラインが2種類のモジュールを混流生産しているとします。システムは現在の品種を自動で認識し、対応する検査モデルと判定閾値に切り替える必要があり、手作業でのレシピ変更に頼ってはいけません。こうしたシーンでは、品種変更へのモデルの追従速度が、絶対的な精度以上にラインの使い勝手を左右します。

ジャンクションボックスのはんだ付け検査も別途触れておく価値があります。はんだ付け不良は電気性能試験ではすぐに現れないことがありますが、屋外での長期使用の中でホットスポットの危険になります。はんだ付けステーションでインライン検査を行い、赤外線の温度測定を補助判定に使うAIシステムは、こうした危険をより早く食い止められます。

Ⅳ. 選定と導入のアドバイス

Shanweiの太陽光モジュールライン向けにAI画像検査システムを評価する場合、いくつかの観点を事前に整理しておく価値があります。

まず、ベンダーが太陽光の工程をどれだけ深く理解しているかを見てください。アルゴリズムの指標だけでは足りません。モジュールの欠陥基準の多くは工程の経験から来ています。マイクロクラックがどれだけの長さなら重大か、リボンのずれが何ミクロンで手直しが必要か。その知識がシステムに取り込まれていなければなりません。ストリング溶接の工程を理解していないチームは、的を外したモデルを作る可能性が高いといえます。

次に、検出率と誤判定率のバランスを見てください。ラインが最も恐れるのは見逃しではなく、過剰な誤判定による頻繁な誤停止であり、それによって作業者がシステムを切ってしまいます。選定時には、類似ラインでの誤判定の抑制状況と、誤判定サンプルのフィードバックの仕組みを明確に確認してください。

配置については、エッジ配置と中央学習のハイブリッド構成がモジュール工場に適しています。検査ユニットはタクトを確保するためにラインのそばに置き、モデルの学習とバージョン管理は中央で行い、複数拠点の工場はモデル資産を共有できます。システムの背景にあるベンダーが、ERP時代から数十年にわたりこの分野に取り組み、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て国内市場と海外市場をカバーしてきたなら、ラインシステムの統合と長期運用はより安定している傾向があります。検査システムは単体の設備ではなく、MESやWMSと同じ言葉で話さなければならないからです。

導入のペースは、1つのステーションを動かしてから横展開します。欠陥の定義が明確でサンプルの蓄積が比較的十分なステーションを実証対象に選び、撮像、モデル、判定、統合の連鎖を円滑に回してから他のステーションへ広げます。ライン全体に一度に展開するプロジェクトは、サンプル不足とライン間の調整で停滞することがよくあります。

もう一点、見落とされがちなのが検収基準を明確に書くことです。検収をホールドアウトセットでの精度で測るのか、実際のライン運用における一定期間の見逃し率で測るのかで、意味は大きく変わります。両者の併用が望ましく、ホールドアウトセットはモデルの素性を、試運転はエンジニアリングの成熟度を示します。

Ⅴ. 今後の展望

今後を見据えると、太陽光モジュールのAI画像検査は二つの方向に進みます。一つは抜き取りから全数検査への移行です。推論コストの低下とエッジの計算能力の向上により、すべてのセルとすべてのモジュールの全数検査が標準になり、品質データの密度は急上昇します。もう一つは検査から予測への移行です。検査データをはんだ付け設備のパラメータやラミネーションの工程パラメータと結び付け、欠陥の原因を分析することで、最後に欠陥を食い止めるだけでなく、生産技術者がパラメータを調整できるようになります。

産業の連鎖がまだ形成途上にあるShanweiのような太陽光製造拠点にとって、AI画像検査の意義は検査員を数人削減することにとどまりません。モジュールの品質を経験による判断からデータによる説明へ変えることであり、より高い水準の受注を獲得し、顧客の工場監査に臨む際の本当の自信になります。もし今、ラインでの見逃しと誤判定に悩んでいるなら、まず1つのストリング溶接検査ステーションから始め、それが回ってからライン全体を語ってください。

分野: スマート工場百科