ナレッジセンター
目次

Weifang:AI画像検査システム

Weifang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を一言でいえば、人の目を置き換えるのではなく、ELのマイクロクラック、ストリング溶接のずれ、ガラスの傷といったミクロン単位の欠陥の判定を、ベテランの経験から再利用可能なデータモデルに変えることです。これにより、Weifangのようにモジュールの生産能力が密集する都市でも、増産のたびに検査員の育成サイクルを待つ必要がなくなります。

Weifangは凧だけの街ではありません。Fangzi区やHanting区には、セル、封止材からラミネート部品、フレーム・架台まで、太陽光の完全なサプライチェーンが集まっています。モジュール工場はラインを素早く増設しますが、検査は長らく人手に頼ってきました。EL検査のステーションでは1シフトで千枚を超える画像を確認することがあり、目が疲れて基準がぶれ、疲労とともに見逃し率が上がります。これが、こうした都市におけるAI画像検査システムの現実的な土壌です。

Ⅰ. AI画像検査システムとは何か

産業用カメラの群れに頭脳を付けたもの、と考えると分かりやすいでしょう。ハードウェアとしては光源、レンズ、産業用PC、トリガーセンサーがあり、ソフトウェアとしては欠陥検出モデルと判定ルールのエンジンがあります。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勾配といった人が書いたルールに依存し、新しいモジュールの形式ごとにパラメータを調整し直す必要があるのに対し、AI検査システムはサンプル学習によって欠陥の見え方を学び、品種変更時の微調整には数十枚の画像で足りる点にあります。

動作の原理は複雑ではありません。モジュールがコンベヤで検査ステーションを通過し、センサーがカメラをトリガーし、画像が前処理(ノイズ除去、位置合わせ、ROIの切り出し)を経て学習済みのセグメンテーションまたは分類ネットワークに入り、欠陥のカテゴリ、位置座標、信頼度を出力し、最終的にあらかじめ設定した閾値でOK/NGの判定が出ます。NGの画像は自動で保存され、レビューステーションへ送られます。1枚あたりの推論はミリ秒単位で、ラインのタクトに追従できます。

構成としては、完成されたAI画像検査システムは通常、撮像ユニット(カメラ、レンズ、光源)、モーション制御とトリガーのユニット、エッジ計算ユニット、モデル学習プラットフォーム、判定ルールの設定画面、MES/ERPのインターフェース、欠陥データのかんばんを含みます。配置の方式は二つあり、ラインサイドのエッジ配置はリアルタイム性の要求が高いインライン検査に適し、中央配置はモデルの反復改善と拠点間のモデル配布に適します。Weifangのように複数の拠点がある都市では、中央学習とエッジ推論の組み合わせが一般的です。

Ⅱ. 機能モジュールと技術的なポイント、ここが要点

欠陥検出が中核のモジュールです。太陽光モジュールのシーンでは、主な対象は次のとおりです。セルのマイクロクラックとフィンガー断線(EL画像)、ストリング溶接のずれとはんだ付け不良(ELまたは可視光)、ガラスの傷と気泡(可視光)、フレームの接着剤のはみ出しと寸法のずれ、ジャンクションボックスの溶接欠陥。欠陥の種類ごとに撮像の方式が異なります。ELは電気的な励起が必要で、可視光は明視野と暗視野の組み合わせに頼るため、1台のカメラですべてを賄うのではなく、複数のステーションを設けることが多くなります。

モデルの面では、少数サンプルとクラスの不均衡が避けられません。マイクロクラックのサンプルは正常なセルより必然的に少ないため、ベンダーは通常、データ拡張と転移学習でサンプルの要件を下げ、一般的な欠陥ライブラリで事前学習してから実際のラインの画像で微調整します。技術指標としては、いくつかの数字を見れば十分です。クラス別の欠陥の再現率、過剰判定率、1枚あたりの推論時間、モデルを切り替えるのに必要なサンプル数と停止時間。再現率と過剰判定率は相反する関係にあり、閾値を下げれば見逃しは減るが誤判定は増えるため、ラインが求めるのは単一の最適値ではなくバランス点です。

判定ルールのエンジンは過小評価されがちです。AIは信頼度のスコアを出しますが、最終的なOK/NGはルールで決まります。たとえば、バスバー領域にあるXミリを超えるマイクロクラックはNG、エッジの微細な亀裂はレビューへ、といった具合です。このルールは設定可能で追跡可能でなければならず、そうでなければ工程が変わったときに対応できません。

データのクローズドループのモジュールは、システムが使うほど精度が上がるかどうかを決めます。ラインでのレビュー結果が新しいラベル付きサンプルとして自動で戻り、定期的にモデルの反復を促す仕組みで、これがAI検査と従来のビジョンを分ける分水嶺です。ループがなければ、稼働から半年で精度がぶれ始めます。

Ⅲ. 太陽光モジュールラインにおける典型的なシーン

72セルの片面ガラスモジュールを製造し、ラミネーション後のELステーションで2交替4名の検査員を配置していたWeifangの工場を例にします。AI画像検査システムの導入後、ELステーションは自動撮像とモデルの一次判定に変わり、NG画像は1名のレビュー担当へ送られて確認され、人員は1.5人に減りました。ここで具体的な改善数値をでっち上げることはしませんが、理屈の上ではモデルは疲労の影響を受けず、夜勤と日勤の一貫性は人の目よりも確かに安定します。

両面ガラスモジュールを製造する企業を例にします。ガラスとセルの間の気泡は可視光ではコントラストが低く、目視では見落としやすい欠陥です。AIシステムは多角度の照明とセマンティックセグメンテーションのモデルで気泡の領域を個別に示すため、レビュー担当はモデルが囲んだ候補領域だけを見ればよく、1枚あたりの確認時間は十数秒から数秒に短縮されます。これは、目が見落としやすい欠陥の探索を人ではなくモデルに任せるという考え方です。

もう一つのシーンはストリング溶接後のEL検査です。ストリング溶接のずれとはんだ付け不良は、EL画像では異常なグレースケール領域として現れ、AIモデルはずれ量とはんだ不良の確率の両方を出力できるため、ラインはアラームして停止するか、マークして手直しへ回すかを判断できます。検査と計測を同時に出力できるのは、人手のステーションにはできないことです。

Ⅳ. 選定と導入に関するいくつかの実践的な提案

最初からすべての欠陥を網羅しようとしないでください。1本のライン、1つのステーション、1種類の欠陥を実証対象に選び、データのクローズドループを回してから横展開します。モジュール工場でよくある問題は、モデルが収束する前に5つも6つもの検査点を同時に立ち上げ、誤報に疲れた現場がシステムを使いたがらなくなることです。

撮像の品質は、モデルの選定以上に成否を決めます。光源の角度、カメラの解像度、トリガーのタイミングが適切でなければ、どんなネットワークでも挽回できません。選定時には、実際のサンプルでオフラインのテストをベンダーに実施させ、デモだけでなく再現率と過剰判定率を確認してください。

ルールエンジンの柔軟性は検収基準に明記すべきです。工程の変更が頻繁な工場では、判定ルールを変更できないとシステムは半分使えない代物になります。MESとの連携方式や、NG画像をモジュールのバーコードで保管できるかも確認してください。トレーサビリティの効率に直結します。

導入のペースについて、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ベンダーは、ラインシステムの統合と現場導入の経験が安定している傾向がありますが、AI画像検査については、太陽光業界で十分なELサンプルを扱った実績があるかを確認する必要があります。サンプルの蓄積は汎用モデルでは埋め合わせられません。

Ⅴ. トレンドの行方

第一に、検査は上流へ移ります。現在のAI検査の多くはラミネーション後とELステーションにありますが、ストリング溶接やレイアップでのインライン検査が増えます。欠陥を早く見つけるほど手直しのコストを節約できるからです。第二に、マルチモーダルの融合です。ELと可視光と電気性能のデータを共同で判定します。単一のモダリティでは過剰判定になりやすいためです。第三に、モデル配布の軽量化です。中央学習とエッジ推論の組み合わせが、Weifangのような複数拠点の都市で一般的になります。ある拠点で学習したモデルを、サンプルを集め直すことなく別の拠点のエッジボックスへ直接配布できるからです。

Weifangの太陽光モジュール企業にとって、問われているのはAI画像検査を導入するかどうかではなく、ラインがある密度まで増設されたとき、人手による検査の管理コストが設備コストより先に天井に達するという点です。欠陥データを早く蓄積しておけば、後の品種変更や増産が楽になります。

分野: スマート工場百科