目視検査が抱える課題点とは？

目視検査とは？

目視検査とは、製造現場における外観検査の手法です。顕微鏡等を用い、人間の目視で製品や部品の外観を観察し、傷・欠陥・汚れ・異物・歪み等の不良の有無を判定します。
不良品の市場への流出を避けるためには、メーカーにとっては欠かすことのできない重要な工程です。しかし、人間が作業を行う以上、ヒューマンエラーを完全に取り除くことはできません。また、少子高齢化問題を背景にした人材確保も深刻な問題となっており、目視による外観検査に課題を抱えている製造現場は数多くあります。

目視検査によくある課題点

精度のバラつき

目視による外観検査の場合、検査員の習熟度に依存する要素が大きく、検査精度にバラつきが生まれやすくなります。また、検査員のその日の体調や集中力など、様々な要因が検査精度に影響を与えてしまいます。加えて、目視による不良の検知には限界があります。僅かな傷や汚れなど、人間の視力では検知が困難な検査を行うことは物理的に不可能です。

採用コスト・育成コスト

熟練した技術を要する検査員を育成するには、それなりの時間とコストが必要です。しかし、育成に時間をかけすぎると、生産効率を下げてしまう恐れもあるため、育成と生産性バランスに常に頭を悩ませている製造現場も少なくありません。
また、必要な人数の検査員を確保するには、採用にかかる負担も軽視できません。急な欠員にも対応をしなければならないため、目視検査は、採用・育成コストが常に発生します。

検査効率の悪さ

人が検査を行う場合、検査対象物を一つ一つ観察する必要があるため、その分検査に時間を要します。検査効率の向上は企業にとっては重要な要素であり、検査時間を大幅に短縮することができれば、生産量の増加、ひいては利益の向上に大きく貢献することができます。
しかし、人による目視検査の場合、大幅な効率向上を期待することは難しいのが実情です。

細かい部品は検査が難しい

たとえば、円筒状の部品や微細な部品などは、その密度や立体的な特性から、視覚的な目視検査が難しいことがあります。人による検査は通常、容易に目視できる部分に限定されるため、このようなケースの検査には、機械によるアプローチが採用されることが多くなっています。

検査自動化の潮流

目視検査は大きな設備投資も不要で、手軽に実施できる一方で、前述のように、経験豊かな人材の確保という採用・育成面において、課題に直面しているケースが多くあります。
少子高齢化が進んでいる日本では特に、経験豊富な熟練検査員が減少し、若手も育てにくいという状況が顕著となっています。
このような社会的問題に加え、近年のものづくり産業においては、部品や製品の小型化が進み、市場で要求される品質レベルも高くなっています。さらに、多様化するユーザーニーズに応えるべく、多品種生産の増加や製品サイクルの短期化といった傾向も背景に、検査にかかる製造現場の負担はさらに大きくなっており、検査工程は、生産プロセスにおけるボトルネックとなっているという声も多く聞かれます。
そこで多くの企業が導入、もしくは導入を模索しているのが、外観検査の自動化です。

画像処理技術を用いた外観検査の自動化

画像処理技術とは、取得した画像データをもとに、画像補正・変換などの加工、解析、情報（特徴）の抽出などを行い、一定条件に当てはまるパターンへの分類を行ったり、他のデータとの比較を行う技術です。
この技術を用いることで、人の目視では見逃してしまうような微細な欠陥も検出することが可能となり、目視検査に比べて、より高速で、より正確な検査を実現することができます。
特に近年は、画像認識AIの目覚ましい進化もあり、大きな注目を浴びています。

画像処理技術を用いた外観検査導入のメリット

画像認識技術を活用した外観検査の自動化を図ることで、人の目に代わって、自動で製品や部品の外観検査を行うことができます。検査工程を全自動化・半自動化することができれば、前述のような目視検査が抱える課題解決に有効であり、「検査品質の安定化」「人的コストの削減」「検査効率の向上」等、様々なメリットをもたらします。
また、「抜き取り検査」を実施している製造現場であれば、「全数検査」へのスムーズな移行も実現しやすくなります。

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。

ルールベース検査とAI検査のメリット / デメリット

ルールベース検査

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

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急速に増えています。

しかし一方で、一般的には、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。

Roxy AIなら目視・ルールベース検査の課題を解決

Roxy AIは、製造現場におけるAIの活用においては、「データの質」が重要であるという考えのもと、開発したソリューションです。
▶︎▶︎Roxy AIの導入エピソードを分かりやすく漫画でお読みいただけます

現場のノウハウをAIに注入し、高精度を実現

データの質を上げるには、正常 / 不良を見極める能力が必要であり、その能力を有するのは、「現場を知る」スタッフであると考えます。
Roxy AIは、現場できちんと使いこなせるAIソリューションという点に主眼を置き、検査員のノウハウをAIに注入することで高品質なAIを作りあげます。
Roxy AIは、現場に使っていただいてこそ、真価を発揮するAI外観検査ソリューションなのです。
▶︎▶︎簡単で誰でも使いこなせるRoxy AIの機能を見る

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

少量の学習データ、短時間で学習可能

AI導入に際して、学習用画像データの収集が課題となるケースが多くありますが、Roxy AIは、正常品（100枚）と少量の不良品(不良種類ごとに30枚)の少ない学習データで、短時間での学習が可能です。
また、他のAIモデルとは異なりRoxy AIは、形状や色などが違う複数の製品を1つのAIで検査することができます。
集めにくい不良サンプルも、複数製品からの収集が可能で、その学習時の負荷を軽減します。
▶︎▶︎誰でも簡単。Roxy AIの学習プロセスを見る

Roxy AIで外観検査を自動化しませんか？

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。
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。ルールベース検査、AI検査ともにそれぞれのメリット・デメリットを有しています。必要に応じて、両者のメリットを活かすよう組み合わせることもひとつの選択肢ですが、ルールベースの検査における、ロジックの選定やパラメータの設定にかかる負荷や、過検出が課題となっている場合、AIの導入はその解決策のひとつとなり得ます。
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。
▶︎▶︎画像検査ソフトウェア Roxy AIについて詳しく見る

株式会社Roxyについて

製造業の生産性を向上させる

AIを活用することで検査の自動化を実現し、製造業の生産性を向上させることをミッションとしています。
ハードウェアの高速化とAI技術の発達により、これまでは目視検査をせざるを得なかった領域に対しても自動検査が現実的となってきた今、現場に寄り添ったソリューションとして、真に「現場で使いこなすことができるAI」を提供することで、わたしたちは、日本の製造業の生産性向上に貢献したいと考えています。