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カメラの中核的価値は、欠陥判定を人の目と経験からオンデバイス推論とルールに基づく閉ループへ変え、ラインのサイクル内でリアルタイムに判定を完了することにある。単にアルゴリズムを載せた普通の監視カメラではなく、NPU推論ユニット、産業用インターフェース、防護設計を統合した専用ハードウェアであり、画像取得、推論、結果出力をミリ秒以内に完了し、PLCやMESへ直接接続できる。エッジNPUの演算性能の向上と産業用カメラとAIセンサーの融合により、この装置は抜き取り検査から全数検査へ移りつつある。

1. 産業用AIカメラが実際に解決する課題

従来のマシンビジョンはルールベースのアルゴリズムに依存し、深さの異なる擦過傷、複雑なテクスチャ背景、組立の誤りや欠品のような非構造的な欠陥は苦手である。産業用AIカメラは学習済みの欠陥検出モデルを装置上に固定するため、画像がクラウドに入らず、推論はカメラ内部で完了する。解決するのは3種類の課題である。人の目が疲れやすく基準がばらつく外観検査。ルールベースでは判定基準を書きにくい柔軟な欠陥。クラウドへの往復が高遅延で帯域も確保できないリアルタイムのワークステーションである。

普通のAIカメラとの違いは、産業グレードが厳しい仕様にある点である。動きぶれを避けるグローバルシャッター、油や粉塵に対するIP67の防護、生産ラインの電気環境に合うPoEまたは24V電源、制御システムへ直接接続するためのGigE Vision、OPC-UA、Modbus TCPといったプロトコルのサポートである。これらはパラメータの羅列ではなく、プレス工場の現場で生き残るための前提条件である。

2. 主流の技術路線の比較

演算の配置場所によって現在3つの路線がある。第1はNPU内蔵のカメラ内推論で、演算は通常数TOPSから数十TOPS、サイクルが速く欠陥種別が固定された単一ワークステーションのシナリオに適し、低遅延と配線の簡単さが利点である。第2はエッジボックスと通常の産業用カメラを分離する構成で、ボックスは100TOPS超に達し複数カメラを同時に接続でき、ワークステーションをまたぐ集中判定に適するが、画像伝送の帯域と同期トリガーに注意が必要である。第3は産業用PCとアクセラレータカードによる集中構成で、柔軟だが大きく高コストで、主にオフラインの再判定や研究段階に用いる。

チップ水準の動きは選定に直接影響する。NVIDIAのBlackwell UltraとRubinのロードマップは推論性能とHBM4メモリを重視し、AMDのMI350とMI400はCDNA 4アーキテクチャと3nmプロセスで推論のスループットとエネルギー効率を高め、Intelの18AプロセスのPanther Lakeと後継のGaudi製品はエッジとデータセンターの推論の両方をカバーする。工場の利用者にとってこれは、エッジボックスのワットあたり演算性能が上がり、同じ電力でより複雑なモデルを動かせることを意味する。同時に、QualcommやMediaTekの高演算・低消費電力NPUチップがエッジボックスに入り、オンデバイス推論のコスト効率を高め続けている。NPUを統合したイベントカメラやスマートビジョンセンサーも欠陥検出や予知保全のシナリオに入っており、前者は高速移動目標に優れ、後者は外部演算を不要にする。

3. どの工程がAIカメラに本当に適するか

電子機器工場がコネクタの外観を検査し、ピンの傾き、ハウジングの擦過傷、残留異物を判定し、1個あたり300ミリ秒以内に結果を出すサイクルで入荷の一致性が良いとする。オンデバイス推論のカメラでこのシナリオをカバーできる。自動車部品企業が鋳造品表面のブローホールを検査し、ワークが反射しやすく機種も多いとする。多角度からの撮像が必要で、複数カメラの同期トリガーを備えた分離構成がより適し、モデル側ではデータ拡張が必要になる。

組立の誤り防止を別の例に取る。電子機器工場がねじ締めワークステーションでAIカメラを使い、ねじの本数と位置を検証し、結果をMESのワークステーション記録へ直接書き込む。ここで重要なのはアルゴリズムの深さではなく、電動ドライバーやPLCとのタイミング整合である。包装のラベルの誤りや欠品検査では、文字認識とバーコード検証を単一の装置内で完了できる。

4. 選定と導入で注意すべき点

よくある最初の質問は統合方式である。まずカメラの出力プロトコルを既存のPLCやSCADAが読めるかを確認する。OPC-UAとModbus TCPが一般的な選択で、画像ストリームにはGigE Visionを用いる。トリガー方式はソフトウェアトリガー、ハードウェアトリガー、エンコーダ同期のいずれかを明確にし、サイクルの厳しいワークステーションではハードウェアトリガーを使わなければならない。

第2はハードウェア構成の要件である。解像度は高ければ良いものではなく、最小の欠陥サイズと視野から画素精度を計算し、通常は欠陥が3~5画素以上を占めることを要件とする。照明はカメラ以上に撮像の安定性に影響することが多く、リング照明、同軸照明、バックライトを欠陥種別に応じて構成する。演算側はモデル規模とフレームレートを見て、オンデバイスNPUで足りるならボックスは不要である。

第3は環境要件である。工場の温度、油汚れ、電磁妨害をすべて確認し、IP67と広温度域は基本項目とする。静電気に敏感なワークステーションはIEC 61340の防護要件を満たし、光学窓の清掃周期を保守計画に組み込まなければならない。

第4は実施手順である。合理的な道筋は、まず小サンプルで実現性検証を行い欠陥が撮像で捉えられることを確認し、次に注記してモデルを学習し、過去画像をバッチでオフラインに流して見落としと誤報を確認し、最後にシャドーモードで稼働させて人手の判定と並行運用し、その後で自動へ切り替えることである。シャドー運用を省いてはならない。

第5はコスト構成である。カメラと演算ハードウェア以外に、光源、ブラケット、試運転の工数、モデル反復の工数、その後の保守を計上する。モデルは1回の学習で恒久的に有効ではなく、入荷ロットの変化や機種切り替えで再注記と微調整が必要になるため、そのための予算を確保しなければならない。

5. 適用可能なシナリオと境界の判断

適するシナリオは、ラインのサイクルが安定し入荷の一致性が良く、欠陥種別が列挙でき撮像条件を制御できる外観検査と組立誤り防止で、コネクタ、金属部品、ラベル、ねじ締めなどがある。これらのシナリオではモデルが早く収束し、オンデバイス推論で足りる。

適さない、または追加評価が必要なのは、反射が強く変形が大きく収集できる欠陥サンプルが極端に少ない工程で、鏡面研磨部品、柔軟な布地、内部欠陥検査などがある。機種が多く小ロットで切り替え時間が極端に短いラインでは、モデル切り替えのコストを別途評価する必要がある。判定結果に説明性と追跡性が求められる場合は、装置が中間推論結果と画像アーカイブを保持するかを確認しなければならない。さらに、AIカメラは判定の工程を代替するものであり、フロントエンドの撮像安定性と機械的な位置決め精度が要件を満たさなければどのアルゴリズムでも救えないため、こうした基本条件を先に整えるべきである。

ERP時代から数十年かけて築かれ、120万社の顧客に数千万台の端末を展開してきた産業の蓄積が示すのは、産業用ハードウェアの実装は単点の設備問題ではなく、撮像、演算、プロトコル、保守の全体的な整合だということである。品質検査におけるAIカメラの位置づけは、ラインのデータループの中のリアルタイム判定ノードであり、適切な選択は工程の境界を明確に考えることから始まる。

分野: AIハードウェア百科