ナレッジセンター
目次

品質検査における産業用AIカメラ

品質検査における産業用AIカメラの核心的な価値は、従来のマシンビジョンでは扱えなかった不定形な欠陥検出を、生産ラインの脇でエッジ推論によってリアルタイムに完了させることにあります。こうしたカメラは本質的に、NPU演算、産業用インターフェース、保護構造を統合したスマートセンサ端末であり、一般的なUSBカメラと産業用PCの組み合わせではありません。これらの装置は「見る」から「高速に理解して判断する」へと移行しており、工場の品質検査におけるAIハードウェアで最も成長の速いカテゴリになっています。

1. 産業用AIカメラは何を解決するのか

従来の外観品質検査は、エッジ検出、テンプレートマッチング、しきい値分割といったルールベースのアルゴリズムに依存しています。寸法測定、位置決め、文字認識には堅実ですが、深さの異なる傷、射出成形品のひけ、はんだの未接合、布地の欠点など、形態が変化する欠陥についてはルールを書き切れません。産業用AIカメラは推論チップをカメラ本体の内部に置くため、画像は装置内でセグメンテーションまたは分類され、OK/NG信号がPLCへ出力され、応答時間はミリ秒単位になります。

一般的な防犯カメラと後段のサーバの組み合わせとの違いは3点あります。第一は露光とトリガで、産業用モデルはハードトリガとストロボ同期に対応し、モーションサイクルの中でブレなく撮像できます。第二はインターフェースで、通常はGigE Vision、USB3 Vision、あるいは絶縁IOとModbus TCPを直接備えます。第三は構造で、IP67の保護、ファンレス冷却、広温度動作を備え、プレスラインの脇や塗装工場にも設置できます。

2. 主流の技術路線をどのように比較するか

演算の搭載形態によって、工場のAI検査カメラは現在おおむね3つのカテゴリに分かれます。第一はNPUを内蔵したカメラで、演算は数TOPSから数十TOPS、欠陥種別が固定された単一ステーションの場面に向きます。配線が簡単でコストを抑えられる利点があります。第二はエッジ推論ボックスと一般的な産業用カメラの組み合わせで、演算は100TOPS以上にも達し、1台のボックスで複数カメラを駆動するため、ステーションをまたぐ集中配備に向きます。第三はクラウドで訓練しエッジで推論するハイブリッド構成で、モデルはサーバ上で反復され、重みがライン側へ配信されます。

チップのレベルでは、NVIDIAのBlackwell Ultra(GB300)とRubinのロードマップが推論性能とHBM4メモリを強調し、AMDのMI350シリーズがHBM3Eとオープンなエコシステムで大規模モデル推論を進め、IntelのGaudi 3とFalcon Shoresが統合アクセラレーションプラットフォームへ向かっています。これらは主に訓練側とエッジサーバに影響し、ライン上のカメラ本体はむしろQualcommやMediaTekの低消費電力NPUや専用のビジョン推論チップを使うことが多くなります。選定では最新のアーキテクチャを追う必要はなく、カメラ側の演算が自社の欠陥モデルの複雑さとタクト要件に合っているかが重要です。

3. どの工程がAIカメラに本当に適するか

ある電子機器工場がSMT後工程のAOI再判定を行うとします。ルールアルゴリズムは部品欠落、位置ずれ、極性逆接には対応済みですが、はんだボール、トゥームストーン、軽微な未接合については誤報率が高くなります。AIカメラで二次分類を行い誤報率を下げるのは典型的な場面です。自動車部品企業がダイカストの表面を検査する場合、欠陥はブローホール、割れ、引っかき傷で形態が不規則であり、ルールアルゴリズムはほぼ機能しません。AIのセグメンテーションモデルと3Dビジョンを組み合わせることで、より安定した判断が得られます。

適する工程には一般にいくつかの特徴があります。欠陥が視覚的に区別できる特徴を持ち、タクトが比較的安定し、受入のばらつきが許容範囲で、人手による検査負担が大きいか見逃しのコストが高いことです。逆に、金属表面の反射が強い工程、変形の大きい柔軟部品、欠陥サンプルが極端に少なく収集が困難な工程では、照明方式と少数サンプル学習の能力を別途評価する必要があり、カメラを買うだけでは解決しません。

4. 配備時に注意すべき点

第一は統合の方式です。カメラがIO信号を直接出力して排出機構をトリガできるか、結果をOPC-UAやModbusでMESやSCADAへ書き込めるかが、配備の作業量を決めます。画像を出力してホストコンピュータで処理するだけなら、一般的なカメラと変わりません。

第二はハードウェア構成の要件です。解像度と視野の整合を確認します。200mm幅の視野で0.1mmの欠陥を検出するには、水平方向に最低2000画素の解像度が必要です。フレームレートがラインのタクトに対して余裕を持つか、作動距離とレンズマウントが既存のステーション空間に合うかも確認します。

第三は環境要件です。工場の粉塵、オイルミスト、振動、環境光の変化はいずれも撮像の安定性に影響します。IP67と広温度は最低条件であり、照明の選定と遮光構造がカメラ本体以上に最終結果を左右することが多いものです。

第四は導入の順序です。合理的な進め方は、まず欠陥サンプルを収集し、オフラインのモデル訓練で実現可能性を検証し、次にラインで小ロットを一定期間動かして誤報と見逃しを観測し、そのうえで規模を広げるという順序です。サンプル収集を飛ばして装置をいきなり設置すると、失敗率が高くなります。

第五はコスト構造です。カメラの単価だけでなく、照明、レンズ、マウント、トリガ用センサ、エッジ演算(ボックス方式の場合)、モデル訓練と調整の工数、その後のモデル反復の保守費用も含みます。装置単位ではなくワークステーション単位で評価してください。

5. 適用場面と境界の判断

AI外観検査は、ラインのタクトが安定し、欠陥に視覚的な特徴があり、受入のばらつきが小さい工程に適します。射出成形品の外観、ダイカストの表面、電子基板組立の後工程再判定、包装印刷の検査などが該当します。欠陥の定義が曖昧な場合、サンプルが極端に少ない場合、触覚や音響のセンシングを組み合わせる必要がある場合は適しません。強い反射、高反射の塗膜、大きく変形した部品は、まず光学の評価が必要です。さらに、AIカメラは確率的な判断を出力するため、ライン側には相応の再判定の仕組みとしきい値調整のプロセスが必要で、結果を絶対的な基準としてそのまま通してはいけません。

ERP時代から数十年にわたり事業を続け、120万社の顧客にサービスを提供し、数千万台の端末を配備してきたベンダの産業経験が示すのは、産業AIハードウェアの配備は決して単一装置の問題ではなく、撮像、演算、インターフェース、工程という4つを揃えた結果だということです。AIカメラはそのうちの1つの環にすぎず、高価な装置を選ぶことよりも正しい路線を選ぶことの方が重要です。

分野: AIハードウェア百科