諦めるのはまだ早い！外観検査自動化における難易度が高いパターンとその解決策
急速な進化に伴い、導入が加速するAI技術ですが、必ずしもすべての課題を解決できるわけではありません。特に外観検査自動化においては、画像処理やAIなどのアルゴリズムの性能だけでなく、撮像機器や設備といった要素も成功可否に密接にかかわっています。当記事では、これまで多くの現場と向き合ってきた当社の視点で、難易度の高い案件とその解決策について解説していきます。
シナリオ別の解決策
1. 凹凸による欠陥の「許容レベル」がある場合
例えば、バリや打痕、キズなどの欠陥において、単純な「ある/ない」ではなく、
大きさや深さによって、「この程度ならOK、この程度ならNG」という基準がある場合があります。
このケースが難しい理由は、同じ欠陥でも、光の当たり方やカメラの角度、ワークの向きによって見え方が変わることです。
解決策
ここで重要なのは、「AIの学習」だけでなく、撮像機器の選定や設定の見直しです。
照明の設定を工夫して凹凸を強調する
複数方向から照明を当てる
カメラ角度を変更する
OK/NGの限度見本を明確化する
必要に応じて複数画像を使う
「欠陥の検出」以前に「欠陥を検出しやすい画像づくり」に意識を向けることが大切です。
関連記事：AI検査がうまくいかない原因、「照明」かもしれません
2. サイクルタイムが極端に短い場合
例えば小物部品などで生産量が多く、1個あたり0.5秒しか検査時間がないような場合があります。
このケースでは、ワークのセット・リセット時間やAIによる判定、排出などに要する時間がサイクルタイム（CT）に間に合わないことが難点です。
解決策
目標とするCTに間に合わせるには、検査速度と設備の工夫が重要です。
カメラ設定の最適化
モデルを軽量化する
GPUリソースが豊富なPCを選定する
複数ステーションによる並列検査
AIの推論時間を短縮することに加え、実際のラインでは撮像 → 転送 → 前処理 → 判定 → 排出までが検査時間のため、機械設計の最適化も必要不可欠です。
関連記事
3. 欠陥が目視でも確認しづらい場合
例えば、微細なキズや異物、色ムラなどは目視でも欠陥の識別が難しいことがあります。
この手のパターンでは、人間が見ても「角度を変えると見える」というレベルの欠陥のため、AIに渡す画像自体に十分な情報がないというのが問題です。
解決策
こうしたケースでは、AI技術そのものより光学設計（照明 × カメラ）が重要になります。
斜光照明
同軸照明
拡散照明
高解像度カメラ
マクロレンズ
といった照明やカメラなどの最適な撮像機器の選定や組み合わせをすることで、目視でもわかりづらい特徴を際立たせられるようになります。
AIを高性能にする前に、欠陥を画像上で見える状態にすることが最優先です。
関連記事：AIが検査しやすい写真を撮ろう！外観検査のための照明の選び方
4. 多品種少量生産の場合
近年、ものづくりの現場では多品種少量生産のニーズが大きくなっております。一方で、外観検査自動化を考えるときにはこの条件はネックになりやすいのが実情です。
この場合、品種ごとに形状やサイズ、正常状態が違うため、不良サンプル収集が困難だったり、段取り替え工数が大きく運用負担がかかってしまうなどの理由から実現性が低くなりがちです。
解決策
全品番共通のAIモデルを作る
可能な限り共通の撮像構成で検査する
ルールベースであれば品種ごとの検査ロジックの設定が必須のためハードルが高かったですが、ディープラーニングを使うことで、たとえ品番が違っても不良の特徴がほぼ同じであれば全品番共通のAIモデルを作成することが可能です。
また、全く形状が異なる対象を同じ撮像構成で検査することは難しいですが、ベアリングの径違いや模様の違いなどであれば大半の品番に共通の撮像構成を設計することで、段取り替えの工数を最小化して検査ができるようになります。
量産品と比較して難易度が高いことは事実ですが、必ずしも「多品種だからAI導入には向いていない」のではなく、「何を共通化できるか」が重要になります。
関連記事：外観検査におけるルールベース検査とAI検査の違いとは？メリット・デメリットを解説
5. 異形状のワークの場合
例えば、複雑な立体形状や曲面、円筒形などは一方向だけの撮像では検査が完結しないため、検査構成の検討にハードルがあります。
むやみやたらにカメラ台数を増やしても、設置環境の問題やコストが膨らむため、導入難易度が上がってしまいます。
解決策
ディープラーニングを活用する
必要最小限でカメラ台数を増やす
ワークを回転させる
形状が複雑なワークの場合、ルールベースを使おうとすると部位ごとに検査ロジックの設定が必要になり、カメラ台数や設定の工数が大きくなりがちです。
ディープラーニングを活用することで、複数部位共通のAI作成により検査ができるようになります。加えて、ワークを回転させることで最小のカメラ台数で検査が可能になります。
重要なポイントは、判定ロジックの共通化と機械設計の工夫です。
6. 穴がある場合
例えば、穴の内径や内部のバリなどは上面からのカメラではとらえきれないケースがあり、最適なカメラの選定が必要です。
穴の内部は、光が入りにくかったり、穴の内径が小さい場合は内壁が見えづらいため検査難易度が高くなりがちです。
解決策
ボアスコープ/ホールインスペクションレンズを使う
照明の位置を工夫する
カメラ角度を変える
複数方向から撮像する
バックライトを使う
平面と比較して難易度が高いですが、必ずしも穴があるからAIでは難しいというわけではなく、穴の径や奥行き、検出したい欠陥によって最適な撮像方法を選定することが重要です。
難易度が高い外観検査を自動化する3つの考え方
これまでの説明から、難易度が高い対象において外観検査自動化を進めるには大きく3つの考え方が重要になります。
1. AIの前に「見える化」を考える
当然ながら欠陥が画像に写っていなければ、AIでも判定はできません。
最適な照明やカメラの選定と組み合わせによる光学設計が必要です。
2. 「AI単体」ではなく「検査工程全体」で考える
外観検査自動化はワーク供給→姿勢制御→撮像→画像処理→AI判定→OK/NG判定→排出の一連のプロセスがうまく機能してはじめて成立します。
AIだけを高性能にしても、前後工程が不安定なら自動検査にはならないため、最適な機械設計も非常に重要になります。
3. 「100%自動化」にこだわらない
当然完全自動化が望ましいですが、難易度の高い対象においては全ての検査項目をAIに置き換えることが現実的ではないケースもあります。そうした場合、AI 95% + 人間 5%という設計でも、人間の検査負担を大幅に削減できたり、熟練者への依存を減らすことができれば費用対効果は得られます。
こうした案件においては、「自動化できる/できない」の二択ではなく、どこまで自動化するかを設計することも重要です。
まとめ
外観検査の自動化が難しい原因は、AIの性能だけではありません。
「見えない」、「速すぎる」、「種類が多い」、「形状が複雑」といった問題も、撮像・光学・治具・AI・システムを組み合わせることで解決できる場合があります。
難易度の高い部品では、下記項目のどこがハードルになっているかをPoCで確認するとよいです。
欠陥が画像上で確認できるか
OK/NGの基準が明確か
必要な検査速度を満たせるか
現場環境で安定して撮像できるか
そして、実際の製造現場では、机上で「AI化できる/できない」を判断することは難しいため、実ワークを使った撮像検証が必須です。
難しい案件も「TechSword Vision」で柔軟な自動化の実現を
TechSwordでは、特に製造業の現場における品質検査の自動化など、具体的な課題解決に貢献するAIソリューション TechSword Vision を提供しています。
専門知識がなくても、ノーコードで画像認識AIを開発・運用できるプラットフォームです。横展開時に重要となる画像データの管理、モデル構築、現場端末への展開、再学習を含めた運用改善を支援します。
具体的な導入事例や導入後の流れについても、ご希望に応じて説明させていただきます。難易度の高い案件でも豊富な実績がございますので是非一度お気軽に お問合せ ください。
