AI外観検査
定義と位置づけ
AI外観検査とは、カメラで取得した画像から欠陥・異常・規格不適合を自動判定する検査方式である。従来の目視検査やルールベースの画像処理に比べ、ばらつきに強く、複雑な欠陥形状にも対応しやすい。量産現場では全数検査の実現、検査員依存の低減、トレーサビリティ強化が主目的となる。適用範囲は金属・樹脂・ガラス・電子部品・食品包装など多岐にわたり、工程内（インライン）と最終検査（オフライン）の双方で用いられる。画像品質の確保、モデルの再学習体制、ラインとの同期が鍵となる。
システム構成（ハードウェア）
- 撮像系：エリア/ラインスキャンカメラ、レンズ、フィルタ。画素サイズと被写体寸法から必要解像度を逆算する。
- 照明：リング、同軸落射、バックライト、ドーム等。反射体・黒物・透明体では迷光とハイライトの制御が要となる。
- 搬送・トリガ：エンコーダ同期トリガ、ストロボ発光、位置決め治具。ブレと視差を抑える。
- 計算機：CPU/GPU/FPGAエッジ端末。サイクルタイムと推論遅延のバランスで選定する。
- I/O：PLC/MESとの連携、OK/NG信号、欠陥座標の下流装置（排出・マーキング）への配信。
撮像の設計品質が検査性能を左右する。特に微小欠陥では被写界深度、照明角度、偏光の最適化が有効である。治具交換や型替え時の再現性確保も運用性に直結する。
アルゴリズムの選択肢
- ルールベース：二値化、エッジ検出、テンプレートマッチング。規格が明確で外乱が少ない場合に有利。
- 深層学習：CNNによる分類・物体検出・セグメンテーション。形状ばらつきや複合欠陥に強い。
- 異常検知：良品のみで学習するワンクラス手法。希少不良やラベル取得が難しい現場に適合。
現実のラインでは、前処理（幾何補正・ノイズ除去）と深層学習の併用が一般的である。セグメンテーションは欠陥の「面」を示せるため、下流の補修や自動リワークに使いやすい。
データセットとアノテーション
- 収集：季節・ロット・型替えを跨いだ多様データを集め、ドメインシフトに備える。
- 標注：欠陥クラス、境界、属性（長さ、幅、濃度）を統一基準で付与する。
- 分割：学習/検証/評価をロット単位で分離し、リークを避ける。
- 拡張：回転、輝度変動、汚れ模擬など実ラインを反映した増強を行う。
- 監査：二重標注や合議でラベル整合率を点検し、教師データの品質を保証する。
不良の定義は工場の合格判定と一致させることが重要である。欠陥コード体系を用い、現場での呼称とモデル出力を紐づけると運用が安定する。
評価指標と運用KPI
- 精度指標：Precision、Recall、F1。現場では偽陰性（見逃し）のコストが大きい場合が多い。
- スループット：画像取得〜推論〜排出までのレイテンシとタクト遵守。
- 品質指標：不良流出率、誤検知率、再検率、ppm。しきい値は総コスト最小化で決める。
- 安定性：ドリフト検知、モデル劣化の早期警報、日次/ロット別の傾向監視。
PR曲線で運用点を選定し、ライン停止コストとスクラップコストの和を最小化する発想が有効である。
ライン実装とリアルタイム性
高速搬送では露光時間短縮とストロボ照明でモーションブラーを抑える。推論はエッジ実行を基本とし、履歴データのみサーバへ送る。PLCとは双方向で連携し、検査結果に応じた排出やマーキングを確実化する。バッファ設計、キュー監視、例外時のフェイルセーフ（未判定は自動停止または人手確認）が必須である。
- 型替えテンプレートの自動切替と誤適用防止
- トリガ遅延と露光タイミングの再学習不要化
- 異常時のシャドー運用での安全切替
保守運用とモデル更新
照明劣化、カメラ位置ずれ、材料変更はモデル性能を低下させる。日常点検（ピント・輝度）、週次の誤検知レビュー、月次での再学習候補収集を定着化する。モデルのバージョン管理、切替手順、ロールバック規律を文書化し、監査証跡を残すことが望ましい。
説明性・トレーサビリティ
ヒートマップ等で判定根拠を可視化し、現場作業者が「どこが悪いか」を即時把握できるようにする。全数のサムネイル保存、NGの原寸保存、判定パラメータ、装置状態、ロット情報を紐づけ、後追い調査と是正処置に結びつける。
導入効果と費用対効果
人員負荷の平準化、流出不良の低減、検査基準の統一、段取り時間の短縮が主効果である。ROI試算では、削減人件費と歩留まり改善益に加え、クレーム対応費の回避効果やリードタイム短縮による売上機会の増加も考慮する。
導入ステップの例
- 案件選定：欠陥の定義が明確、撮像が成立、タクトに余裕がある対象から始める。
- PoC：ミニマム構成でベースライン指標を確立し、リスクを洗い出す。
- パイロット：限定ラインで連続運転し、誤検知ハンドリングとオペレーションを固める。
- 量産展開：標準化ドキュメントと教育、遠隔監視、定常のデータ収集を整備する。
現場浸透にあたっては、判定結果のフィードバックループと、作業者の知見をモデル改善へ反映する仕掛けが重要である。AI外観検査は装置単体ではなく、工程設計とデータ運用を含む「検査システム」として設計することで、長期にわたり安定して価値を生む。
コメント（β版）