AIによる外観検査自動化

外観検査工程のデジタル化からはじまる製造業DX

「撮像」「判定」「運用」の3つのノウハウを統合したワンストップソリューション!!

こんなお悩みはありませんか?

検査工程における属人的な作業をデジタル化・自動化したい

検査装置の特徴抽出(パラメータ)の設計に膨大な時間がかかる…

NG分類の作業に検査員の工数が多く、効率化・自動化を進めたい

AI活用に懸念があり、足踏みをしている方

外観検査は、顧客からの高い品質要求に応え、信頼を確保する上でとても重要な工程となります。
属人的な検査方法からの脱却を目指し、自動化に取り組まれている企業も増えてきました。
その背景には、人の目に変わる撮像技術の向上と、人の脳に変わるAI技術の飛躍的な進歩にあります。
特にAIにおいては、これまでの「人の目で判別できるものはAIでも判別可能」という時代から、「人の目では判別できないものでもAIなら判別可能」という時代に変わってきました。
しかしながら、これら技術の進歩によって自動化実現の可能性は高まりましたが、一方で、より専門的な知識が求められるようになり、自社の人材だけでは、プロジェクトを推し進めることが難しくなってきました。

弊社では、これから外観検査の自動化に取り組まれる方を対象に、安心してプロジェクトを進めていただけるよう、専門性が求められる「撮像」「判定」「運用」の3つのノウハウを統合し、自動化に向けた全体計画の策定から運用支援までワンストップでご提供いたします。

また、外観検査工程の自動化にとどまらず、取得した画像データを用いて不良原因を分析し、不良を特定する品質改善のソリューションや製造現場全体のデジタル化についても支援を行っております。

外観検査自動化に必要な3つのこと

外観検査自動化では、「撮像」「判定」「運用」の3つがそれぞれ密接に関わっています。
どれか1つだけでは自動化は実現できません。

外観検査自動化3つの要素の画像

撮像のポイント:欠陥を検出できる環境構築
判定のポイント:見逃しをなくすこと
運用のポイント:データ管理、メンテナンス

しかし、上記ポイントを押さえただけではうまくいきません。
なぜなら…


●撮像フェーズの注意点 = 対象をしっかり撮ることだけにフォーカスしてしまいがち

【失敗事例】全体撮像枚数が膨大になり結果的にタクトタイムが規定オーバーに

【解決事例】撮像視野を拡げた状態でAI学習を行い、見逃しのないモデル開発に成功


●判定フェーズの注意点 = NGを検出するモデルを学習量だけでカバーしようと躍起になってしまいがち

【失敗事例】特定のNG検出の精度向上が頭打ちになってしまう

【解決事例】撮像側で照明を増やし、見逃しがなくならない特定のNGに特化した撮像を実施し高精度なAI判定に成功


●運用フェーズの注意点 = 装置開発&AIモデル開発に成功はしたが…

【失敗事例】AIモデルの管理・運用ができる人財を確保できず、アップグレードができない…

【解決事例】運用後の業務フローを事前に策定し対策立案・人財確保を行い運用レベルを保つことに成功

それぞれのフェーズで発生しうる課題も、相互に補完することで解決できる可能性もあります。

つまり、それぞれのポイントを押さえたうえで、「撮像」「判定」「運用」のノウハウを総合的に検討して進める必要があります。

01 撮像について

光学、ソフトウェア技術や画像処理技術を駆使して行う非常に高度な技術となります。
一例となりますが、下記のような手法があります。

  • 照明角度や照明方向の違いにより検査性能をアップさせる手法
  • 変更フィルタにより反射光を減らす手法
  • 照明方向の異なる画像を合成することで検出する手法
  • 同軸照明、リング照明、色付き照明など、照明の角度ごとに色を分けて一括撮像で検出する手法

撮像例 1 掘り込み文字検査

手法:照明方向の異なる画像を合成することで検出する

通常撮像画像では判別しにくい、掘り込み文字もくっきりと判別できることがわかります。

掘り込み文字検査の撮像例

撮像例 2 はんだ検査

手法:同軸照明、リング照明、色付き照明など、照明の角度ごとに色を分けて一括撮像で検出する

一括撮像のため、撮像時間を短縮できます。

検査対象の画像

同軸照明画像

検査対象の画像

リング照明画像

検査対象の画像

色付き照明画像

検査対象の画像

色付き照明イメージ図

≪標準的な撮像装置導入の流れ≫

※状況により順番が変わることもあります。

検査基準
の確定

・不良項目や判定基準など、第三者が判断できる不良の基準をご提示いただきます
・撮像が必要な部位の情報をご提示いただきます

量産検査工程
の想定

・検査タクトを確認させていただきます
・撮像機器や撮像方法を決定します

撮像

・不良が画像に写るかどうかを確認します
・量産を想定して、画像と共に撮像条件を提案させていただきます

画像検査

・画像から不良を検出できるかどうかを確認します
・再現性のある撮像環境を制作し画像を取得、その画像を使用して検査を行います

装置導入

画像検査で制作した撮像機構を使用して、ご要望に合わせた外観検査装置を製作します

≪撮像について、よくあるご質問≫

Q. 

エリアセンサーカメラとラインセンサーカメラの使い分けは?

A. 

ラインセンサーカメラはカメラやレンズが高価な上に、アクチュエータと同期しながら撮像する必要がある為、更に高価になります。又、カメラの調整は時間のかかる作業です。その為、通常は安価で調整も容易なエリアセンサーカメラをお勧めしております。

02 判定について

ここでは、AIによる判定モデル導入のポイントについてご紹介します。

≪検査方法と特性について≫

AI画像検査と目視検査、従来型画像検査について、一般的な特性についてご紹介します。
解決すべき課題にフィットする方法を選択するために、それぞれの特性を認識、把握することが大切です。

目視検査

AI画像検査

従来型画像検査

設計の容易さ

×

バラつきの許容

×

特徴の見分け

判断の一貫性

動作の確実性

処理速度

×

厳密な測定

× ×

AI画像検査を適用しやすい検査例

既存の画像検査で発生している
グレーゾーンの削減(過検出抑制)

ルールベース検査に落とし込めない汚れとキズ
の見分けなど、特徴の差による分類・仕分け

AI画像検査適用事例 模様が一様ではない素材系ワークの検査

人の目では判別が困難な、素材系ワークにおける異物検査です。

現在のAI技術では、このように難易度の高い異物検知も可能です。

検査対象の画像

検査対象

AI反応箇所を写した画像

AI反応箇所

≪判定モデル構築の流れ≫

サンプル画像
準備

機密保持契約締結の上、サンプル画像(OK・NG)をお預かりします

データ前処理
検討

画像きりだし、縮小、二値化等、数十種類の候補を組み合わせデータ構成を検討します

学習

ツール選定、ネットワーク選定、各種パラメーター検討を行い学習を開始します

検証

学習によって構築されたAIモデル精度を検証、考察を行い最適なモデル選定を実施します
※必要に応じ再学習

精度報告

開発したAIモデルの精度報告を実施します

≪AI判定について、よくあるご質問≫

Q. 

AIは調達するか内製するか?

A. 

技術内部保持の観点からAI画像検査を内製する企業もあります。ただし、進歩が速いAI技術に追従する労力は多大です。技術者を自社で確保できなければ、AI技術を外部調達するほうが得策と言えます。

Q. 

既存検査機器との棲み分けは?

A. 

AIは万能ではなく、その特長にあった使い方をするべきです。導入目的や課題にあわせ、既存検査機器との「棲み分け」や「組み合わせによる補完」も検討することをおすすめします。

Q. 

AIの信頼性をどう評価するか?

A. 

AIは「ブラックボックス」とされてきましたが、最近は、判定根拠を可視化する技術(例:ヒートマップ)も確立されています。AIの信頼性を判断するために、このような技術の活用も望まれます。

Q. 

ラインへどう組み込むか?

A. 

賢いAIを工場の検査で活用するには、ラインへの組み込みを適切に行うことが重要。他のFA機器や上位システムとの連携など、誰がどのようにラインに組み込むか、事前の計画が必要となります。

03 運用について

運用フェーズでは判定モデルの精度向上に向けたAI再学習を実施します。
AI再学習については専門的な知識が必要となるので、マクニカではAI運用サービスの提供など、お客様の支援を行っております。

運用データ
蓄積

PoC段階では少なかった画像データを本格収集します

- AI運用サービス -

  • データ蓄積システムの提供
  • 経験豊富なデータサイエンティストによるAIモデル精度の検証
  • 再学習必要なデータの選別
  • AIモデル再学習
  • AIモデル実装

AIモデル
アップグレード

運用データを活用したAI学習を行います

AIモデル
実装

開発したAIモデルを実装します

精度検証

定期的な人による検査とAI判定の結果を紐づけします

再学習

AIが見逃してしまっている/過検知している画像を再学習します

外観検査自動化プロジェクトの進め方

マクニカでは、プロジェクトを始めるにあたり、お客様固有の課題に対して、まずはじめに全体計画を策定いたします。
また、各フェーズにおいて、お客様が安心してプロジェクトを進められるよう、様々なサービスも提供しております。

プロジェクトの進め方

サービス

- Phase 1 -
全体計画
策定

現状把握 / 計画書作成 / 費用対効果検討 / 業務フロー作成 / 見積もり精査

コンサルティングサービス

- Phase 2 -
撮像検証

撮像環境検討(カメラ、照明、画像サイズ、タクトタイム) / 簡易装置見積もり / 運用装置概算見積もり

・撮像検証サービス
・簡易検証機製造サービス

- Phase 3 -
運用システム
要件定義

要求仕様 / 業務フロー / 機能要件 / システム構成 / データ保存システム / 生産連携システム / 見積もり

運用フェーズ要件定義サービス

- Phase 4 -
初期運用
システム開発

撮像装置開発 / 搬送システム / 運用システム 導入

・AIモデル開発サービス
・撮像運用機製造サービス

- Phase 5 -
AI開発・
完全自動化

運用画像データ収集 / AIモデル開発 / AIモデル実装

・AI運用サービス
・トレーニング

自動化の、その先へ

外観検査自動化から始まる製造業DX

外観検査によって取得したデータ(事実)によってさまざまな気づきを得ることができます。
たとえば…


不良が多くなってきたデータがあれば
→前工程で起きている不良原因の究明と改善した方がいいのでは?という気づき


検査数量自体が減っているというデータがあれば
→生産数が変わるならば、人員シフトを構築した方がいいのでは?という気づき
→実はチョコ停ドカ停が多かったということが判明すればCBMした方が良いのでは?という気づき


このように取得したデータから得られる気づきが、DX実現に向けての足がかりとなります。

外観検査自動化を切り口とした全体DXの図

セミナー動画

外観検査自動化の進め方が分かるセミナー動画を公開中!

外観検査自動化プロジェクトについて、もっと詳しく聞きたい!という方は、ぜひご視聴ください。
撮像パートナーの新電子株式会社様、AIパートナーである株式会社シーイーシー様にご協力いただき、4部構成でお届けしています。

  • 【導入編】外観検査最適化のステップ
  • 【撮像編】目視検査を自動化していくための最重要ステップ、撮像環境構築の秘訣
  • 【AI活用編】外観検査×AIの最前線 ~刮目せよAIの実力値と可能性~
  • 【自動化、その先へ編】外観検査の最適化から始まる工場DXの道
セミナーのサムネイル

関連eBook

*事例リーフレット*
アイシン・エィ・ダブリュ株式会社様事例:カーナビの目視検査をAIで自働化

*書籍掲載記事*
スマートファクトリーとAI実運用の実際
※ダウンロードには個人情報の入力が必要です。

*書籍掲載記事*
モノづくり・製造現場におけるAI活用の課題と取り組み
※ダウンロードには個人情報の入力が必要です。