はじめまして。
何でも屋（ジェネラリスト？ 便利屋？）の大谷です。connectome.designでは取締役・コンサルタントをやってます。
当社では製造業向けにAI活用の技術コンサルティング、AI開発などを行っていますが、検査の自動化のご相談が増えています。実は私が高校生のときに初めてしたアルバイトが、グラスを作っている工場での検品作業でした。グラスに白い柄がちゃんと印刷されているか、グラスに欠けがないかなどをコンベアの前に座ってひたすら検査するという日雇いのお仕事。正直なところ、ずっと見ることに集中してないといけないので、きついアルバイトでした。。。
そして、何の巡り合わせか、この数年はAIによる外観検査の自動化プロジェクトを推進しています。外観検査をAIで活用するにあたっての基礎知識をまとめますので、これから検査の自動化を検討される方には参考にしていただければと思います。
検査の自動化の課題
日本の製造業はあらゆる工程で自動化を推進していますが、実は検査工程が一番自動化が遅れています。この一番の理由は熟練者の検査に比べると従来の検査装置は検査精度が劣っているためで、なかなか活用が進んでいない状況です。私もよく工場に行って話を伺うのですが、購入したけど、使われていない検査装置や検査ソフトが遊休資産として眠っているというケースがよくあります。
これまでの検査装置は画像処理が使われてきたのですが、画像処理でルールで設定しても、色々な不良品がある中で、うまく取り除くことができない、そして、不良品を流出しないように厳しく閾値を設定すると、大量の誤検知（良品を不良品と判定）を出して、結局ほとんど人が再検査をしないといけなくなるという状態になっていて、検査の自動化が進まない要因となっていました。
ただそうはいっても、生産年齢人口が減少し、技術を持った熟練者も高齢化してくる現状を考えると、検査の自動化は不可避となっています。しかも検査装置であれば、24時間フル稼働ができ、疲れもなく、安定して検査が可能です。欠点は検査精度、そこでこの課題を解決するべく、ディープラーニングを用いての検査が注目されています。
なぜディープラーニングか？
それでは、なぜディープラーニングが検査精度を上げることができるのでしょうか？
ディープラーニングは元々人の脳の構造を真似たニューラルネットワークで構成されています。画像から学習することで、画像から良品や不良品の特徴を抽出し、それを元に良否判定をします。従来の画像処理と違い、人の目に近い形で検査が行えるようになります。実際の例で説明してみます。
こちらの動画は当社が作成したかまぼこの検査AIです。かまぼこって、一つ一つが形や色合いが違いますし、このかまぼこのようにシソがあっちこっちに混じっていると、このシソはもちろん食べれる（というより製品の特徴の一つ）ので、これを不良と検出しないようにする必要があります。これを従来のやり方で画像処理をして、ルールで色々な不良の種類を検出するということは至難の技で、何とかルールを設定しても、不良を検出できず、誤検知も大量に出てしまいます。ディープラーニングを使うと一つ一つの形状や色合いが違っても、良品の特徴を覚えているので、正しく不良が検出できるようになります。
より良い検査装置を作るには
ではディープラーニング（以下AIと表記します）を使えば、検査装置が実現できるのかというとそうではありません。AIは画像から学習するので、学習に適した画像を用意する必要があります。検査装置においては不良箇所を見やすく画像に残すための撮像機構が重要になります。また、検査対象を動かしたり、不良品を排除したりするためのメカ制御も必要です。メカ制御、撮像機構、そしてAIによる画像判定の3つの要素を、三位一体で考える必要があります。いざ検査の自動化を手掛けようとしても、立ち往生してしまうケースが多いです。なぜなら撮像の光学的な知識や画像判定のAIなど、これまで生産技術には馴染みの薄い技術を取り入れないといけないからです。
以下の図はAI検査装置の導入に向けたプロセスを整理しています。
これらを一つ一つ開発していくことはとても工数が掛かるので、当社ではAI外観検査ソフトウェアを用意しております。また、当社の開発ラボには、当社パートナーのユアサ商事と共同開発したAI外観検査装置を使って様々な製品を評価しております。これらを標準的な環境として、必要に応じてお客様の検査内容に合わせてカスタマイズし、検査装置を提供することができるため、お客様の導入のハードルを大きく下げることができます。
最後に
当社では、AI開発だけでなく、撮像環境や検査装置全体を考えて検査の自動化のプロジェクトを支援しております。検査でお悩みの方、お気軽に当社までご相談いただければと思います。
Discussion