AI外観検査のメリットと導入における課題

AI外観検査とは

AI外観検査は、人工知能（AI）を使用して製品や物体の外観を自動的に検査するプロセスです。
AIは過去のデータをもとに学習を積み重ねることで良否判定を行います。そのため、従来の画像認識ではルール化できず、カバーすることが難しかった判定基準の設定が可能になり、変更が発生した際にも工数をかけずに対応できるようになります。
また、今現在で求められている検査品質を実現するのはもちろんのこと、学習によってその後の更なる精度向上が期待できます。
このようなメリットが注目され、近年、AI外観検査の導入による検査の自動化を推進する企業が急速に増えています。

ルールベース検査とAI外観検査

画像処理による外観検査は、カメラ等で撮影した画像を、コンピューターで解析して製品の欠陥や不良を検出する検査方法です。大きく分けて、下記のような種類があります。

ルールベース検査	AIや機械学習が注目される前から、広く用いられてきた手法です。あらかじめ人が定義し、設定した一定の検査ルールに沿って、機械が良品・不良品を判断します。
AIを用いた画像検査	AIに画像データを学習させることで、特徴を学び、AIが良否判断を行う検査方法です。

ルールベース検査とAI検査のメリット / デメリット

ルールベース検査

メリット	規則的・局所的な不良を厳密に特定できる スピーディーな判定が可能
デメリット	事前に明確に、細かなルールを設定する必要がある 仕様変更や新製品の追加があった場合、メンテナンスに大きな負荷がかかる 過検出や環境変化に弱い

ルールベースの検査は、長さや面積の計測、部品の有無チェック、パターンマッチングなど、規則的でルール化が可能なものに多く利用されています。

正常品・不良品の判定方法、すなわち、前処理 / 特徴量抽出フェーズにおけるロジックの選定やパラメータの設定等、これらをすべて人が設計する必要があります。

製品によっては、このロジックが数千を超えるケースも多くあり、仕様変更や新製品の追加が生じた場合、そのルールの見直しやメンテナンスに大きな負荷がかかります。

高精度で判定スピードが速いというメリットを有する一方、過検出や環境変化に弱く、それを使いこなすのは非常に難しく、高度な知識と多大な労力が必要な側面もあります。

AI画像検査

メリット	不良の特徴が不規則なケースや、多様性のあるワークに対応可能 ルールベースでは難しい不良も検出できる 学習により、精度を向上させることができる 仕様等の変更にも、工数をかけずに対応できる
デメリット	一般的に、大量の学習データが必要

AI検査は、不良の特徴が不規則なケースや、多様性のあるワーク、複雑なテクスチャーなど、不規則でルール化が困難なものに強みを発揮します。

AIが正常品・不良品の特徴の抽出方法を自動で学習するので、ルールベースでは難しい不良の検出も可能で、手法次第では未知の不良も検出することができます。

今現在で求められている検査品質を実現するのはもちろんのこと、学習により、その後のさらなる精度向上を期待できます。

検査対象製品の仕様等に変更が発生した際にも、工数をかけずに対応できるようになります。

このようなメリットが注目され、近年、AI外観検査の導入による自動化を推進する企業が増えています。

AIが得意とする外観検査の例

複雑な形状を持つ製品の検査

アルミダイカスト製品など、形状が複雑な製品の検査にも対応可能です。

個体差のある製品の検査

食品や鋳造製品の表面など、良品の中でも形状や質感に個体差がある製品でも検査可能です。

多品種の製品の検査

異なる品種の製品にも、学習内容を応用して不良を検出することが可能です。

AI外観検査の導入における課題

様々なメリットがあるAI外観検査ですが、AIを活用すればいきなり100%の精度で不良を検出できるわけではありません。実際にAI外観検査を現場に導入するには、学習により検査精度を向上させる必要があります。

一般的には、AIの学習には大量のデータが必要であったり、パラメータのチューニングが難しいといった側面もあります。また、AIの学習には専門の知識が必要とされています。

製造現場におけるAI活用のポイント

学習データの質がAI外観検査の精度を左右する

「AIの導入を検討したがうまくいかなかった」というケースもよく聞かれます。その原因は、学習データを正しく精査できていなかったことにある可能性が高いです。
AI外観検査製品の多くは、学習データを追加する、または、パラメーターチューニングを繰り返すことで、AIの精度を高めていきます。しかし、学習データが不適切な場合、どんなにそのサイクルを回しても、AIの精度は一向に上がりません。

正しく精査されていないデータ例
・誤った学習データが混ざっている ・正常品と不良品の区別が不明瞭な境界データが含まれている ・ラベリングが不正確なデータが含まれている ・正常及び不良品のデータが過剰、または不足して、偏りのあるデータセットを利用している

学習データの質を上げるには、学習データを正しく精査することが有効です。ただし、学習データを用意するのは人間なので、人によって判断基準が異なっていたり、学習時にミスが発生する可能性もあります。

そのような課題を解決するために、学習データの質を誰でも簡単に向上させることができるしくみを取り入れたAI外観検査ソリューションをご紹介します。

画像検査ソフトウェア Roxy AI

 Roxy AIは、学習データの質の向上により高品質なAIを育てるAI外観検査ソリューションです。学習データの弱点をあらゆる角度から補強し、データを「磨く」ことで、「高精度」を実現します。
独自の可視化技術や触診など、ユニークで多彩な各種機能により、現場検査員のノウハウを可能な限りAIに注入し、外観検査の自動化を強力に推進します。

学習データを磨く仕組み

Roxy AIは、「人に完璧を求めても限界がある」、「間違いは紛れ込むものである」という前提に立ち、不適切なデータを作らない仕組み、紛れ込んだ不適切なデータを簡単に検出する仕組みを多数備えています。
データ整備→学習→テスト→アウトプットという学習プロセス全体を通して、AIの弱点を把握し、データを磨き上げるための独自の多彩な機能を有しており、精度の高いAIを作り上げることが可能です。

学習データの生成も可能

画像生成AIにより、学習データを自動生成することも可能です。異物やキズ、その他不良をAIで簡単に再現可能。新製品や、不良が少ない製品の学習データのバリエーションも増やすことができるため、外観検査AIの学習の弱点を効率的に強化できます。

Roxy AIの精度

茶葉に紛れ込んだ段ボールを見つけるデモンストレーション動画です。じっくり見ても見つけることが難しい不良でもRoxy AIなら検出できます。

Roxy AIでできること

Roxy AIでAI外観検査を実現しませんか？

AIと画像処理技術の組み合わせは、製品の品質を確保し、生産効率を向上させるための強力なツールとなります。AIを用いた画像処理技術による外観検査を実現できれば、従来の目視検査や、ルールベースの検査で抱えている課題を解決することができます。検査精度の向上はもちろんのこと、工程の自動化による検査効率の向上、人的コストの削減も期待できます。
AI外観検査は、製品や部品の特性や品質要求、製造現場の環境や要望などによって、最適なソリューションが異なります。
Roxy AIは、製造業を始めとし、食品・農業・医療など幅広い業界で活用いただける「高精度」を実現するAI外観検査ソリューションとなっています。目視検査や従来のルールベースの検査、他のAI画像検査ソフトウェアにおいて課題をお持ちの方は、是非お気軽にお問い合せください。