ものづくりにおいて、外観検査は非常に重要な工程です。適切な外観検査を行うことができなかった場合、意図しない形で市場に不良品が流出してしまい、大きな損失を招く恐れがあります。

しかし、従来の手法では、適切な外観検査を行うには、作業者の目視に頼る必要がある場合が多く、コストや熟練作業者の確保という観点で課題が多いです。画像認識技術を用いた自動化ソリューションも、従来の技術では限界があります。

近年、AIを使った画像認識技術が飛躍的に発展しており、AIを使った外観検査技術を活用することで、そういった外観検査の課題を解決できる可能性があります。

もし、AIによる外観検査自動化に関して、

• 省力化、省人化してコストダウンしたい
• 検査レベルを高めて品質価値を高めたい

というご希望がございましたら、お気軽に画処ラボまでお問い合わせください。ルール型画像処理からAIによる画像処理まで、ご希望に対して幅広い対応が可能です。

Youtubeチャンネルでも解説中！

この記事をPDFでダウンロードする

１．作業者の目視による従来の外観検査手法の問題点

（1）作業者による目視確認の問題点

①高コスト

作業者による目視確認を行う場合、当然ながら、該当工程に作業者を配置する必要があるため、人的コストが発生してしまいます。それだけでなく、多くの検査では検査結果の集計・監視・分析等を行うため、検査結果の手動での入力や記録が必要となります。

②検査工数・検査品質のばらつき

作業者による目視確認の場合、自動機での作業と異なり、確認作業にかかる工数のばらつきがどうしても大きくなってしまいます。また、どれだけ基準となる限度見本等が整備されていたとしても、最終的には作業者自身で「どの項目に該当するか？」「基準に照らし合わせて良品・不良品どちらか？」を判定する必要があり、どうしてもばらつきのある判定結果になってしまいがちです。

③検査スキルの教育・技能継承の困難さ

作業者が判定作業を行うためには、当然ながら、初期教育や、後進への技能継承等を適切に行う必要があります。しかし、多くの場合、経験的な判定基準は容易に伝えられるものではなく、不十分な教育や技能継承となってしまいがちです。その結果、不良品の後工程への流出や、必要以上に検査基準が厳格化された運用による高コスト化が発生してしまいがちです。

２．従来技術に基づく画像認識による外観検査の自動化による課題解決

（1）仕組み

①検査対象の画像の取得

まず最初に検査対象の画像を取得します。検査対象が静止状態であれば写真データを使います。検査対象が動いている場合は、高速度カメラによるリアルタイムな撮像データを使うこともあります。いずれの場合も、取得できる画像の精度は、自動検査の精度に大きな影響を与えるため、検査対象に適した精度の高い画像を取得できるような工夫が必要な場合が多いです。

②検査対象にあわせた適切な画像処理

取得した画像を元に、目的に合わせて適切な情報を抽出しやすいよう、画像データをフィルター処理します。ノイズ除去、エッジ強調、明るさ調整、コントラスト調整、画像変形(カメラ角度の補正)などといった様々な処理方法があります。

③異常箇所、異常項目の特定

取得した画像を元に、検査対象の「どこに」「どのような異常項目」が存在するかを自動的に特定します。従来技術に基づく外観検査の自動化ソリューションの場合、「色」「周囲との色差」「形」「大きさ」などのモデルデータを元に、検査対象物や検査対象項目に応じて適切な判定ロジックを用いて特定を行います。

（2）メリット

①シンプルな検査を省人化できることによるコストダウン

外観検査の自動化が達成できると、検査員を配置する必要がなくなり、人的コストを削減することが可能です。

②自動化による作業工数と検査品質の安定化

外観検査の自動化によって、作業員の熟練度やスキルに依存していた作業工数や検査品質を安定化させることができます。

（3）問題点

①複雑な良否判定は技術的に困難

画像から特徴を抽出しやすい単純な欠点項目の場合、従来技術ベースの外観検査の自動化ソリューションでも十分実用に耐える検査精度を実現できることが多いです。しかし、作業員の経験と知識が必要とされてきた外観検査の場合、欠点項目のモデル化が困難な場合が多く、結果的に完全な省人化を達成できるレベルを実現することが難しい場合が多いです。その結果、部分的な少人化にとどまり、省人化まで至らず、想定していた効果を出せないケースがあります。

②検査対象に応じた適切なノウハウが必要

従来技術ベースの外観検査の自動化ソリューションでは、各検査項目のモデル化が必要です。様々な形を取り得る欠点項目を特定する必要がある場合、モデル化には高い技術力とセンスが必要で、各検査対象や各検査項目への最適化が必要となる場合が多いです。そのため、多品種・多数の検査項目への対応は、非常に困難となりがちです。

③ソリューションの維持が困難

外観検査で判定すべき項目や、判定基準は、日々の生産の実情や市場からのフィードバックに柔軟に対応していく必要がある場合がほとんどです。しかし、従来技術による画像認識では、そのような機能追加や調整の技術的難易度が非常に高く、導入初期は問題無かったものの、時間の経過とともに問題が顕在化し、適切な自動検査が不可能になってしまうという形でソリューションを維持できなくなるケースがあります。

３．AIを使った画像認識による外観検査の自動化による課題解決

従来技術の問題点を解決するための手法として、AIを使った画像認識技術の活用には大きな可能性があります。それらの仕組み、メリット、注意点、活用事例について説明します。

（1）仕組み

①ディープラーニング

AIを使った画像認識の代表的な手法として、機械学習の1種であるディープラーニング(深層学習)があります。ディープラーニングでは、多くの隠れ層(=中間層)を持つディープニューラルネットワークという汎用的な形で、多様な入力と出力の関係を柔軟に再現することが可能です。

具体的には、入力に対して最適な結果が出力されるよう、ディープニューラルネットワークの隠れ層(=中間層)の重みづけのパラメータを、シミュレーションを繰り返しながら最適化していく自動的な手法です。

②学習用データに基づき半自動的にモデルを作成可能

このように、ディープラーニングでは、学習用データを元に隠れ層の内部のパラメータを半自動的に最適化する手法が確立されており、検査対象の画像から欠点箇所の特定を行うモデル化をエンジニア自身が細かい設定やアルゴリズムを考えることなく実現できる強みがあります。

（2）メリット

①モデル化が困難な事例にも対応可能

作業者の経験と知識が必要だった良否判定が難しい事例でも、学習用のデータを大量に準備することで良否判定の精度を高めることが可能です。エンジニア自身が判定ロジックのモデル化を如何に定義するかを考える必要はなく、適切な学習用データの準備に注力すればよいシンプルさが魅力です。

②汎用性の高い手法のため同一手法を幅広く横展開可能

多品種・多項目の外観検査の場合、従来手法では、一つ一つの検査対象や検査項目について、それぞれ、エンジニア自身が判定ロジックのモデル化を如何に定義するかを検討する必要があり、大きな時間とコストが発生する場合が多いです。それに対して、ディープラーニングを活用することで、汎用的な半自動的な手法を活用でき、少ないリソースで多品種・他項目への外観検査の自動化対応が可能となります。

③要件の変更にも柔軟な対応が可能

判定すべき項目や、判定基準が、日々の生産の実情や市場からのフィードバックで変化せざるを得ない場合でも、追加の学習用データさえ準備できれば、汎用的に同様の手法を展開することで、柔軟な対応が可能な強みがあります。

（3）事例紹介

①トラストメディカル株式会社

（引用元：ロボット導入実証事業事例紹介ハンドブック2018 p.28）

• 課題
  • 多品種の繊細な目視検査の作業に時間がかかってしまう
  • 多品種の繊細な目視検査の検査品質にばらつきがでてしまう
• 導入による効果
  • ロボット付属の汎用的な画像処理ツールで自動化することで大幅な作業工数削減を達成
  • 繊細な作業で熟練が必要であった検査作業の自動化によって検査品質を安定化させることに成功

②株式会社テラダイ

（引用元：ロボット導入実証事業事例紹介ハンドブック2018 p.74）

• 課題
  • 作業者による目視の外観検査が必要で作業工数、作業品質にばらつきが出てしまう
  • 検査対象物の特性(生産直後の高温、複雑な形状)により、検査作業にてロスコストが発生しやすい
• 導入による効果
  • ロボット組み込みの画像処理システムで、作業者の目視に頼らず、外観検査を行う検査装置を開発し、作業工数、作業品質のばらつきを低減することができた
  • 目視作業の全自動化により、作業者が検査対象の特性に影響を受けず、結果としてロスコストを差公家することに成功した

（4）注意が必要な点

①学習用データの量と質が必要

ディープラーニングでは、適切な学習用のデータさえ準備できていれば、後は半自動的なプロセスで仕組みを構築することが可能です。しかし、学習用データは別途準備が必要です。検査レベルに応じた適切な精度の画像を準備する必要があることと、検査レベルを高めるためには大量の学習用のラベル付けされた画像データが必要であることに注意が必要です。

②ベンダーの技術への理解が必要

ディープラーニングの半自動的な学習プロセスは汎用化が進んでいますが、それでも不適切なデータの扱いや手法の選択によって、精度の低い判定結果しか出せない仕組みが構築されてしまう可能性は否定できません。そのため、技術への理解が深く、適切なプロセスを構築できるベンダーと共に課題に取り組むことが重要です。

４．AIにおすすめのメーカー・ロボットシステムインテグレータ3選

①画処ラボ（ガショラボ）

【所在地】
〒105-0004 東京都港区新橋5丁目35−10 新橋アネックス 2階
TEL：050-3733-3774
WEB問合せ：https://gasho-labo.jp/#contact
https://gasho-labo.jp/
【特徴】
検査の自動化に伴って画像処理装置の導入する際には、複数のセンサーメーカーと複数の画像処理機器メーカーを選択し、それぞれ検査対象によって個別対応する必要があります。

画処ラボは、メーカー横断での機器選定から判断プログラムの選定及び装置の設置構想までを⼀括で提案し、設置からサポートまで⼀元管理。

さまざまなメーカーから、照明は50種類、カメラ・レンズは30種類をとりそろえており、機器や画像処理プログラムの選定だけでなく、装置の構想・設置、サポートまで、ワンストップで相談が可能です。

②KEYENCE

【特徴】
KEYENCEは先進的なテクノロジーを活用したファクトリーオートメーション分野での業界のパイオニア的存在です。中でもセンサー、画像処理における強力で多彩な製品群とソリューションには大きな強みがあります。

【所在地】
大阪市東淀川区東中島1-3-14
TEL:(06)6379-1111
FAX:(06)6379-2222
https://www.keyence.co.jp/

③安川電機

【特徴】
安川電機は工場の自動化やメカトロニクスを事業領域として事業を進めてきた実績のある企業です。近年はi3-Mechatronicsを軸として各種データを統合的に活用したFAソリューションの提供に注力しており、画像認識の領域では、ワークの自動認識や自動ハンドリングソリューションに強みがあります。

【所在地】
福岡県北九州市八幡西区黒崎城石2番1号
TEL:(093)645-8801
FAX:(093)645-8831

５．外観検査自動化のご相談は画処ラボへ

このように、熟練作業者の経験やスキルが必要であった外観検査についても、AIによる画像認識技術を活用することで、多くの外観検査の自動化が可能となる時代が到来しつつあります。

一方、こうした技術の利用には高い専門性が必要となるため、自社の課題に対して共に取り組んでくれる、確かな技術を持ったパートナーを選ぶことが大切です。

画処ラボでは、さまざまなメーカーとの協力のもと、最適なメーカーの選定から実装までワンストップで対応しています。外観検査の自動化をご検討されている方は、ぜひお気軽にご相談ください。

この記事をPDFでダウンロードする

• 【図解】製品検査ではもう悩まない、非破壊検査の種類と...
• ハンドリングロボットの種類・事例・取り扱いメーカー3...