ナレッジセンター
目次

AI外観検査産業用PCの構成ガイド

AI外観検査用産業用PCの構成について、核心となる結論は、単なる普通の産業用PCにグラフィックスカードを追加したものではなく、推論ワークロードの特性に合わせて取捨選択したエッジ演算システムだということである。ソリューション全体の成否を決めるのは、CPUのクロックやディスク容量ではなく、GPU推論演算、カメラインターフェース帯域、メモリ容量、冷却構造という4つがどれだけ整合しているかである。妥当な進め方は、まず検査タクトとモデル精度を確定し、そこから演算とインターフェースの構成を逆算し、最後に産業グレードの構造部品で現場の振動、粉塵、温度変動に耐えることである。

1. AI外観検査用産業用PCは実際にどのような問題を解決するのか

従来の外観検査はルールベースのアルゴリズムに依存し、傷、異物、文字欠陥のように形態が不規則な対象を見落としやすい。AI外観検査用産業用PCの役割は、生産ラインの脇で深層学習推論をローカルに完了し、画像を直接OKかNGかに判定して、結果をOPC-UAやModbus TCPでPLCやMESへ送ることにある。クラウド方案との違いは遅延にあり、ローカル推論は1フレームの判定を数十ミリ秒に圧縮でき、ネットワークの揺らぎの影響も受けないため、毎分数十個以上のタクトのオンライン検査ステーションに適する。

ハードウェア構成としては、この種の産業用PCは通常、産業用マザーボード、1枚以上の推論アクセラレータカード、複数チャネルのGigE VisionやCoaXPressカメラインターフェースカード、広温域電源、堅牢な筐体を含む。なかには軽量タスクにNPU内蔵のエッジAI SoCを使い、高解像度の再判定は別のアクセラレータカードに任せる階層的な推論構造を採る方案も出てきている。

2. 選定時に主流の演算ソリューションをどう比較するか

工場側で利用できる推論演算は、現在おおよそ3つの階層に分かれ、主にスループット、メモリ、エネルギー効率で異なる。

第一の階層はCPUやSoCに内蔵されたNPUと統合グラフィックスで、1080p未満の解像度でパラメータ数の少ない分類や単純な位置特定タスクに適し、通常は15〜65ワットでファンレス設計も可能だが、複数の高フレームレートカメラを前にするとスループットが厳しくなる。

第二の階層はエッジ推論アクセラレータカードとアクセラレータボックスである。統一メモリアーキテクチャに基づく組み込みモジュールは数百TOPSの演算を提供でき、メモリをCPUと共有するため、中程度の複雑さのセグメンテーションや検出モデルに適し、消費電力はおおむね60〜130ワットの範囲にある。

第三の階層はデータセンター級の推論カードを工場へ持ち込むものである。たとえば新世代の大容量アクセラレータは一般にHBM3eの高帯域メモリを備え、単一カードのメモリが数十ギガバイト以上あり、複数の高解像度カメラと複数モデルの並列実行を同時に収容できる。この種のカードは推論スループットが高いが、筐体のエアフロー、電源容量、部屋の環境への要求が明らかに高く、導入には通常4U以上の堅牢な筐体と独立した冷却設計が必要となる。

比較の際はTOPSの数値だけを見てはならない。メモリ容量が高解像度入力と複数モデルを収められるかを決め、メモリ帯域が高フレームレートでの実効スループットを決め、インターフェース帯域が接続できるカメラ数を決める。3つが整合していなければ、公称演算がどれだけあってもフル能力では動かない。

3. どの工程が本当にAI外観検査に適するか

電子機器工場がSMTの後工程で外観検査を行うとする。基板のタクトは安定し素材の一貫性も良く、AI外観検査用産業用PCで半田付けのボイド、部品の位置ずれ、極性の逆挿入をオンライン判定でき、投入・排出の信号でトリガする。これは典型的な適するシーンである。

自動車部品メーカーが鋳物の表面欠陥を検査する場合、ワークの反射が強く変形も大きいため、偏光照明の追加、多角度撮像への切り替え、モデルにより高い入力解像度が必要かどうかを追加で評価する必要があり、その場合は産業用PCのカメラインターフェース数とメモリ容量を相応に引き上げなければならない。

別の例として、食品包装の文字とシールの検査はタクトが速く対象も小さいため、高フレームレートのGigEカメラと中位の演算能力のアクセラレータカードの組み合わせが適し、焦点はピーク演算ではなくインターフェース帯域にある。逆に、柔軟材の変形が大きく欠陥サンプルが極端に少ない工程は、現段階では完全自動判定よりも人と機械の共同レビューの方が適している。

4. 導入構成でどの要点に注意すべきか

よくある第一の疑問はカメラインターフェースの構成方法である。GigE Visionの1ポートは約1Gbpsの帯域を提供するため、複数の高解像度カメラを使う場合は複数ポートか10ギガビットのネットワークカードを用いるべきで、CoaXPressはより高い帯域のシーンに適し、インターフェースカードとアクセラレータカードの間のデータ経路を選定段階で確認して帯域のボトルネックを避ける必要がある。

第二はメモリとストレージである。推論段階ではメモリは32GB以上を推奨し、複数モデルの並列実行なら64GBへ引き上げる。産業グレードのSSDを使い、1日の画像保存量から書き込み耐久性を見積もるべきで、民生用ドライブで無理に対応させてはならない。

第三は環境と構造である。工場の粉塵と振動の下では、筐体の保護等級、ファンレスまたは陽圧エアフローの設計、広温域電源をすべて具体化する必要があり、ESD対策はIEC 61340の関連要求に従い、ユニットの組立品質はIPC-A-610の受け入れ考え方に従える。

第四はソフトウェアスタックと統合である。アクセラレータベンダーの推論ランタイムが使用するモデル形式をサポートし、TensorRTやONNX Runtimeの経路を提供しているか、PLC通信がOPC-UAとModbus TCPをサポートしているかを確認し、MES連携のデータ項目をあらかじめ定義しておく。

第五は実施手順である。通常の流れは、サンプル収集とラベリング、モデル学習と量子化、産業用PC上での推論ストレステスト、ラインでの小バッチ試運転、そして段階的な拡大である。ストレステストでは実際のタクトでフル能力まで回し、単フレームのピークではなく持続スループットと温度上昇を見る。

5. このソリューションが適する場合と適さない場合

適するシーンは、タクトが安定し素材の一貫性が良く、欠陥の形態を画像で明確に表現できるオンライン検査ステーションである。電子組立の外観、包装の文字とシール、ハードウェアの表面欠陥、組立のポカヨケなどが該当する。こうしたシーンはローカル遅延に敏感で、データを工場外へ出したくない。

慎重に評価すべきシーンは、反射が強く変形が大きく欠陥サンプルが極端に少ない工程、品種が多く小バッチで段取り替えが頻繁なラインである。段取り替えに伴うモデル切り替えと再ラベリングのコストを別途計算する必要がある。

適さないシーンは、サブミクロンの測定精度を要する計測タスクで、専用の測定設備を使うべきである。欠陥の定義自体が曖昧で人の経験に依存する工程も、完全自動判定は短期的にリスクが高い。

導入規模の面では、この種のソリューションはERP時代から数十年にわたり活動し、120万社の顧客にサービスを提供し、国内外で累計数千万台の端末を配備してきたベンダーの産業ハードウェアのエコシステムにおいて、すでに成熟した統合経路を持っている。選定では、いたずらに高い演算能力を追うよりも、インターフェース標準がオープンでソフトウェアスタックが保守可能な方案を優先する方が賢明である。

分野: AIハードウェア百科