本文までスキップ

URCP
URCP

コラム

ホーム コラム AI外観検査とは?特徴やメリット、導入手順を紹介

AI外観検査とは?特徴やメリット、導入手順を紹介

AI外観検査

外観検査は製造業において、製品や部品の状態異常や不良を発見し、品質を維持するために重要な工程です。最近は人による目視検査に代わり、外観検査装置を利用した自動化が進んでいます。その中でも、注目が高まっているのが「AI外観検査」です。
本記事では、AI外観検査の特徴やメリット、注意点、今後外観検査に与える影響を紹介します。

1. AI外観検査とは

AI(人工知能)は人工的に作られた知的なシステムです。まだ明確な定義は決定していませんが、学習することで人と同じ、または人を超える能力を発揮するコンピュータプログラムと考えられています。

外観検査の目的

外観検査とは、製造物の外見上の不具合(傷、歪み、割れ、異物混入、印刷ミスなど)の有無を確認する品質検査です。不良品の流通を防ぎ、製造物の品質を維持することを目的としています。

従来の目視検査の課題

外観検査は人の目による目視検査が広く実施され、現在も主流となっています。人による検査は設備投資が小さくて済むこと、すぐに始められることなどメリットがあるものの、

  • 検査員の習熟度によって変動する評価基準のバラツキ
  • ヒューマンエラーによるミス
  • 検査員に精神的、肉体的負担が大きい
  • 人手不足による人件費高騰
  • 期待される生産量に対して検査が追いつかない

などの課題があります。

特に、製造業の機械化が進んだことで品質検査も人力では追いつかない状況となっています。生産性向上とコストダウンのため、目視検査から検査装置による自動化が進行しているのです。

AIを活用した外観検査の普及

外観検査の自動化は、これまで人の目で見てチェックしていた内容を、カメラと画像処理システムを用いた画像認識により代替することを指します。
人の目とコンピュータは画像認識の仕組みが異なります。そのためコンピュータが良品・不良品を判定できるようなプログラムを組まなくてはいけません。このときに活用できるのがAIなのです。

2. AI外観検査の仕組み

AIの中でも、高度な自動学習を実現するディープラーニングが特に注目されています。

学習データを元に異常項目を特定

AI外観検査に対して、あらかじめしきい値を決めて検査する従来型の画像検査方法は「ルールベース外観検査」と呼ばれます。人が設定した検査ルールに基づいて、判断を下す方法です。
それに対し、AIは良品・不良品の画像を学習データとして与えるだけで、特徴を自動的に抽出してくれます。その特徴から良否判定等の判断を下すことができます。

利用するほど精度が向上

一般的にAIは学習をするほど精度が向上します。定期的に人による検査とAIの判定を検証し、再学習することで検査精度が向上します。また、ディープラーニングを用いると、ニューラルネットワーク(人間脳内の神経回路から着想した機械学習のアルゴリズム)によってコンピュータ自ら複雑で高度な学習を進めます。自動化された検査を通して新たな学習データを取り込むことで、人が改良を加えなくても、半自動で精度を向上させることができます。

3. 外観検査にAIを活用するメリット

AIによる外観検査自動化を進めることで、従来の方法と比べて多くのメリットが生まれます。3つのポイントを紹介します。

高速で高精度な検査が可能

AI外観検査は検査対象物をカメラで撮影し、画像データを元にあらかじめ学習した基準に従って良品・不良品の判定をおこないます。機械による判定は、人間と異なって疲労や労働時間を考慮する必要がありません。負荷の調整が不要になるため、生産量の増減に柔軟な対応が可能になります。
検査装置を製造ラインに組み込む場合、製品の整列や排出をおこなう自動化機構の実現と共に同時並行で検査をおこなう事で、製造プロセス全体の効率化にもつながります。

教育コストがかからない

AI外観検査の仕組みで紹介した通り、従来型のルールベース外観検査と比べ、人がルールを設定する必要がないため、学習にかかるコストを下げることが可能です。目視検査と比較しても教育コストは低くなります。目視検査では検査員の育成が必要になる上、難易度の高い検査ほど習熟するまでに時間がかかります。製品の仕様や検査基準が変更になった場合も、都度マニュアルの更新や再教育が必要になりますが、それも不要です。

人手不足対策や人件費削減に効果的

目視検査には人を雇う必要がありますが、機械による代替が可能な場合は人件費が不要になります。労働人口の不足により、人件費は上昇を続けています。今後も人手不足が続く中で、人材獲得・雇用にかかるコストは増加すると考えられています。そのため、属人的な業務はコストの上昇を避けられません。
長期的に見ても、人ベースの業務を自動化することはコストダウンに効果的だと考えられます。

4. AI外観検査のデメリット

外観検査の精度と生産性向上の両面から活用が期待されるAI外観検査ですが、注意すべき点もあります。導入を検討する際には、期待する効果とデメリットの両方を把握した上で検討が必要です。

初期コストがかかる

1つ目のデメリットは導入コストの問題です。AIを使うことで導入のハードルは下がっているものの、目視検査と比較して設備投資やシステムの導入費用は大きくなり、運用コストも発生します。
AI学習のために数千枚〜数万枚のデータの準備が必要になります。目視検査では学習用のデータは不要、ルールベース外観検査でも少量で済むため、費用だけでなく、実装までのリードタイムも長くなってしまいます。
AI外観検査によってどの程度の費用対効果が期待できるかを検討しないと、過剰投資となるリスクがあるのです。しかし近年では学習用データを数百枚程度まで大きく削減する手法も実用化されはじめており、技術動向が注目されるところです。

検査内容や製品によっては導入が難しい

カメラを使った外観検査は、目視検査と比較し誤検出を起こしやすい項目があります。
具体的には、

  • 表面塗装の色味や水シミなど定量化が難しい評価
  • 製造過程でやむを得ず発生する傷と、品質不良の傷との判別
  • 異物混入など発生場所がランダムな欠陥

などです。
判断基準が人の感覚に頼っていたり、曖昧だったりする内容の評価はAI外観検査でも難易度が高いため、外観検査の完全な自動化は難しくなります。

また、AIに機械学習をおこなわせるには正常・不良の判断材料となる大量の画像を取り込む必要がありますが、学習のために必要な数の画像を用意することが難しいケースもあります。時には万単位での画像が必要となるため、この点がネックとなりAIの導入を断念するメーカーも多いのが現状です。

判定処理のプロセスが不透明

機械学習のデータを基に正常・不良の判定を自動でおこなうことができるAI外観検査ですが、その判定に伴うプロセスが不透明となりやすい点も一つの課題点として挙げられます。いわゆる「ブラックボックス」の状態であるため、判定原理やそのプロセスの根拠を明確に提示することが難しく、AIを導入する企業にとっては不安要素となります。
検査結果を納入先に提出する必要がある場合、判定基準を明確に伝えられないAIでは検査として認めてもらえないということもあります。

5. AI外観検査の応用には欠かせない「ディープラーニング」による学習効果

前述したとおり、AI外観検査にディープラーニング・機械学習の技術を活用することで、アルゴリズムの向上に伴い検査精度も自ずと向上していくというメリットを得ることができます。つまり、これまで人による目視では認知できなかったような微細な異常を検出するような効果も期待できるわけです。

機械学習の主な方法

ディープラーニング・機械学習における学習方法の種類は、主に「教師あり学習」と「教師なし学習」の2つに分類されます。

教師あり学習
「教師あり学習」とは、取得したデータに「正解」「不正解」といったラベルを付けて学習させる方法です。つまり、見本(教師)となるデータを基にAIが学習を行い、その膨大な学習データを下地にして検知・判断を行うことが可能となる仕組みです。

教師なし学習
一方の「教師なし学習」とは、見本となるラベル無しに学習をさせる方法です。教師あり学習と比較して膨大なデータを必要としないメリットがあるものの、当然、学習プロセスの難易度も格段に高まります。

近年、求められる品質保証の精度が高まっている中で「正解」と「不正解」の判断基準があいまいな、微細な欠陥の検出に貢献できる「教師なし学習」という学習プロセスが大きな注目を浴びています。

6. AI外観検査導入の流れ

最後に、AI外観検査の導入手順を解説します。

導入範囲決定・機材選定

AI外観検査を導入しようとする場合、目的を明確にすることが重要です。検査精度の向上、省人化、検査時間の短縮など、目的に応じて優先すべき対策が異なります。製造物や外観検査の項目、期待する精度に応じて必要な要件が変わってくるので、現状の整理もおこなう必要があるのです。

目的と現状の改善点を整理した上で、検査対象を決定し、検査工程の設計をおこないます。その後、必要な機材のリストアップと見積もり・手配を実施します。

AI外観検査のために必要なものは、

  • カメラ
  • 画像処理システム
  • 照明
  • 学習用データ

になります。
それぞれ性能・特徴、価格は多様なため、製品と検査環境、規模、予算に合わせて最適な組み合わせを検討する必要があります。
また、検査に適した画像を撮影するためには、撮影環境の調整も必要になる場合があります。背景色や検査物以外の映り込みも検査結果に影響を与えるため、並行して整備が必要です。

モデル構築

良品・不良品を判定するための学習データを用意します。学習用データは検査の際に撮影する画像とできる限り一致させなくてはいけません。そのため、本番の検査環境と同じ角度で撮影し、照明の当て方、種類、色にも注意する必要があります。学習データを揃えたらAIに学習させ、AIモデルを構築します。

導入・運用

事前準備が整ったら、本番環境で検証をおこない、期待する精度が出ているかを確認し、必要に応じて再学習やアルゴリズムの調整をおこないます。運用開始後は、適宜人による検査結果と比較し、期待する判定ができているかを検証します。AIが見逃している欠陥や、過検知が判明した場合は再学習が必要です。

採用する機材やシステムにより、導入費用は数十万〜数百万円と大きく変わります。また、システムにかかる費用、ランニングコストも計算に入れる必要があります。安価な機材を入れて期待をする性能が出ない場合もあれば、オーバースペックな設備を導入し費用対効果が合わないこともあります。

7. URCPならルールベースとAIを組み合わせた提案も可能

画像処理検査ソフトウェア群URCP

宇部情報システムのURCP(UIS Ready and Custom Packages)は、当社が様々な業種や製品の検査に導入してきた画像処理ソフトウェアをパッケージングしたもので、お客様の検査仕様にあわせて組み合わせやカスタマイズをおこなうことで画像処理検査システムを短期間に構築することができます。

AI外観検査というとアルゴリズム等のソフトウェア部分が注目されがちですが、いかにAIが学習しやすいような画像を撮像するかが極めて重要になってきます。URCPは画像処理ソフトウェア以外にも、撮像のためのカメラ・レンズ・照明も含めてご提案します。

また、AI検査が必ずしも良いとは限らないケースもございます。当社では、お客さまの検査の状況を詳しくヒアリングし、まずはルールベースでご提案します。ルールベースのみでは困難な場合、AIを得意とするメーカー様と協業する形でルールベースとAIを組み合わせてご提案可能です。検査の基本的な合否判定はルールベースでおこない、そこで過検出してしまったデータをAIが学習しルールベースの過検出率を大きく低下させた事例もございます。

AI外観検査導入をご検討されているようでしたら、是非一度当社にご相談ください。

コラム一覧へ戻る

製品の品質安定・向上によるブランディング強化

画像処理検査URCPをさらに知りたい方はこちら
URCPについてのご質問やご相談など、お気軽にお問い合わせください。