AI を活用した品質検査: 生産ラインのコンピューター ビジョン

製造ラインにおける人間の目視検査員は、報われない仕事を行っています。彼らは何時間も前を通過する製品を見つめ、1,000 個に 1 個未満の割合で現れる可能性のある欠陥を探します。研究によると、人による検査精度はシフト開始時の 90% から 4 時間後には 70% 未満に低下します。経験豊富な検査員は、8 時間のシフトが終わるまでに、平均して欠陥の約 80% を発見します。残りの 20% は品質が逃げて顧客に届きます。

AI を活用したコンピューター ビジョン システムは、疲れたり、集中力を切ったり、調子の悪い日を過ごしたりすることはありません。最新のビジョン システムは、すべてのシフトにわたって継続的に動作しながら、99.5% の欠陥検出率を達成しています。彼らはサンプルだけでなくすべてのユニットを検査します。また、プロセスの改善にフィードバックされるデータを生成し、製造チームが単に欠陥製品を発見するだけでなく、欠陥の根本原因を排除するのに役立ちます。

この記事は、AI 時代の製造 シリーズの一部です。

重要なポイント

• AI ビジョン システムは、シフト全体で人間の検査員が約 80% であるのに対し、99.5% の欠陥検出率を達成します。
• 信頼性の高い検査結果を得るには、ハードウェアのセットアップ (カメラ、照明、位置決め) が AI モデルと同じくらい重要です
• 転移学習により、メーカーはわずか 200 ～ 500 個のラベル付き欠陥画像を使用して効果的なモデルを展開できるようになります
• 大量生産ラインに導入された場合、ROI は通常 8 ～ 14 か月以内に回収されます

---

コンピューター ビジョンの品質検査の仕組み

検査パイプライン

コンピューター ビジョン検査システムは、次の一連の手順を通じて各製品を処理します。

画像取得: 産業用カメラは、検査ステーションを通過する製品の高解像度画像をキャプチャします。カメラの選択、レンズの選択、照明の設計によって、AI モデルで利用できる生データの品質が決まります。

前処理: RAW 画像は次のような操作を通じて標準化されます。

• 関心領域の抽出 (関連する製品領域への切り取り)
• 幾何学的正規化 (位置と方向の変動を修正)
• 色補正 (照明のドリフトを補正)
• 画像補正（コントラスト調整、ノイズリダクション）

モデル推論: 前処理された画像は、次の 1 つ以上を出力するトレーニングされた深層学習モデルを通過します。

• 二項分類: 合格または不合格
• マルチクラス分類：特定の欠陥タイプ（傷、へこみ、変色、位置ずれ）
• 物体検出: 検出された各欠陥の位置と種類
• セマンティックセグメンテーション: 欠陥領域のピクセルレベルのマッピング

決定とアクション: モデルの出力と設定されたしきい値に基づきます。

• 良い製品が今後も続く
• 欠陥のある製品はリジェクトビンまたはリワークステーションに転送されます。
• 境界線のケースには人間によるレビューのフラグが立てられます
• 品質追跡とプロセス改善のためにすべての結果が記録されます

---

ハードウェア要件

カメラの選択

ほとんどのディスクリート製造アプリケーションでは、5 ～ 12 MP 範囲のエリア スキャン CMOS カメラが生産速度で十分な解像度を提供します。ラインスキャンカメラは、印刷、コーティング、繊維製造などの連続プロセスに不可欠です。

照明デザイン

照明はおそらくカメラの選択よりも重要です。同じ欠陥でも、ある照明条件では見えないことも、別の照明条件では明らかになる場合もあります。

推論のためのエッジ コンピューティング

AI モデルの推論は、次の製品が検査ステーションに到着する前に完了する必要があります。毎分 60 部品の生産速度で、システムは画像のキャプチャ、処理、推論、作動を含む検査ごとに 1 秒かかります。

ほとんどの生産ライン検査では、Jetson Orin Nano または同様のエッジ デバイスが、妥当なコストと消費電力で十分なパフォーマンスを提供します。

---

AI モデルの選択とトレーニング

製造検査用のモデル アーキテクチャ

画像分類 (合格/不合格または欠陥タイプ):

• EfficientNet、ResNet、または MobileNet のバリアント
• 高速推論、適度なトレーニング データ要件
• 画像内のどこかに欠陥が存在して拒否反応が引き起こされる場合に最適です

物体検出 (欠陥の位置を特定して分類):

• YOLOv8、高速 R-CNN、または SSD のバリアント
• ターゲットを絞った再作業のための欠陥位置を提供します
• トレーニング中に境界ボックスの注釈が必要です

セマンティック セグメンテーション (ピクセル レベルの欠陥マッピング):

• U-Net、DeepLab、または Segment Anything のバリアント
• 最も詳細な出力、最も高い注釈コスト
• 欠陥サイズの測定が重要な場合に必要

異常検出 (監視なし、通常のみ学習):

• オートエンコーダベースまたは PatchCore アプローチ
• トレーニングには良品の画像のみが必要です
• 欠陥の種類が不明または非常に変化しやすい場合に効果的

トレーニング データの要件

転移学習は、ほとんどのメーカーにとって実用的なアプローチです。数百万の一般的な画像 (ImageNet) で事前トレーニングされたモデルから開始し、次に特定の製品と欠陥の画像でモデルを微調整します。これにより、モデルを最初から構築するのに必要なデータとトレーニング時間のほんの一部で、本番品質の結果が得られます。

データ収集のベスト プラクティス

• 制作で使用される正確な照明とカメラ設定の下で画像をキャプチャします
• 製品の位置、照明の強さ、背景の変動を含めます
• 重大度の全範囲にわたって欠陥例を収集します（境界線まで明らか）
• さまざまな生産バッチや期間の画像を含める
• トレーニング前に品質専門家にすべてのラベルをレビューして確認してもらいます

---

製造品質システムとの統合

Odoo 品質モジュールへの接続

AI 検査結果は、以下を通じて広範な品質管理システムに反映されます。

自動化された品質記録: 各検査では、Odoo の品質モジュールに検査結果、欠陥分類 (ある場合)、信頼スコア、およびキャプチャされた画像を含む記録が作成されます。これにより、検査から廃棄までの完全なトレーサビリティが実現します。

SPC 統合: AI 検査フィードの統計的プロセス管理チャートからの欠陥率。特定の種類の欠陥が突然増加すると、プロセスがさらに制御不能になる前に調査が開始されます。 [品質管理と SPC] (/blog/quality-management-iso-9001-spc-odoo) に関するガイドでは、この統合について詳しく説明しています。

根本原因フィードバック: 欠陥パターンと生産変数 (機械、材料ロット、オペレーター、シフト、周囲条件) を関連付けることにより、AI 検査データは根本原因の特定に役立ちます。ツールの変更後にマシン 3 でスクラッチ欠陥が増加するパターンは、メンテナンス チームに特定の問題を指摘します。

継続的なモデルの改善: AI モデルによって境界線としてフラグが付けられた製品は、人間の検査官に送られます。合否の決定は、時間の経過とともにモデルを改善する新しいトレーニング データとなり、システムが長く稼働するほど改善されるという好循環を生み出します。

---

ROI の計算

AI 検査を使用しない場合の品質コスト

AI 検査への投資と節約

年間運用コスト: ステーションあたり 5,000 ～ 15,000 ドル (メンテナンス、クラウド サービス、モデルの更新)

期待される節約量:

• 検査労働力の 60 ～ 80% の削減 (検査員は根本原因分析に再配置されます)
• 品質漏洩の 90 ～ 95% 削減 (検出率 99.5% 対 80%)
• スクラップの 30 ～ 50% の削減 (早期発見により、欠陥のある材料の処理が減ります)
• 保証請求の 20 ～ 40% 削減 (顧客に届く欠陥製品の減少)

品質コストに年間 750,000 ドルを費やしているメーカーの場合、総コスト 150,000 ドルで 2 つの生産ラインに AI 検査を導入すると、通常、年間 300,000 ～ 450,000 ドルを節約でき、回収期間は 4 ～ 6 か月になります。

---

一般的な課題と解決策

---

よくある質問

AI 検査モデルをトレーニングするには、何枚の欠陥画像が必要ですか?

転移学習 (事前トレーニング済みモデルの微調整) を使用すると、通常、初期展開には欠陥タイプごとに 200 ～ 500 枚のラベル付き画像で十分です。ただし、データが増えるとモデルのパフォーマンスが向上します。実際的なアプローチは、最初のトレーニング データを使用してデプロイし、境界線にあるケースを人間の検査官に転送してラベル付けを行い、蓄積されたデータを使用して毎月モデルを再トレーニングすることです。 6 か月の生産後、通常、モデルには数千のラベル付きサンプルが含まれ、最高のパフォーマンスが達成されます。

AI検査は人間の検査員を完全に置き換えることができるのでしょうか?

ほとんどの場合、AI 検査は反復的な目視検査タスクを置き換えますが、検査員の役割を置き換えるものではありません。人間の検査員は、AI システムによってフラグが立てられた境界例のレビュー、欠陥傾向の根本原因の調査、新製品のセットアップの検証、検査システムの維持など、より価値の高い活動に移行します。この移行により、仕事の満足度 (反復作業の減少) と質の高い成果 (最も重要な箇所に集中した人間の専門知識) の両方が向上します。

良い製品が拒否される誤検知についてはどうですか?

誤検知 (良品の拒否) は、しきい値調整によって制御されます。しきい値をより控えめにすると、より多くの欠陥が検出されますが、より多くの良品が拒否されます。ほとんどのメーカーは、偽陰性ゼロ (欠陥製品を決して通過させない) を達成するためのしきい値を設定し、1 ～ 3% の偽陽性率を許容し、それらの製品を人間によるレビューにルーティングします。偽陽性の経済的影響 (再検査コスト) は、通常、偽陰性 (顧客からの苦情、保証請求) よりもはるかに小さいです。

---

次は何ですか

AI を活用した品質検査は、製造におけるコンピューター ビジョンの最も成熟した、最も ROI の高いアプリケーションの 1 つです。このテクノロジーは実証されており、ハードウェアは手頃な価格であり、ERP 高品質システムとの統合パスが十分に確立されています。現在 AI 検査を導入しているメーカーは、より多くのデータでモデルが改善されるにつれて、時間の経過とともに増大する品質上の優位性を獲得しています。

ECOSIRE は、メーカーが Odoo 品質管理 と統合され、OpenClaw AI を利用した AI 検査システムを実装するのを支援します。カメラと照明の設計からモデルのトレーニングと生産展開に至るまで、当社のチームはエンドツーエンドの視覚検査ソリューションを提供します。

品質管理と ISO 9001 および スマート ファクトリー IoT アーキテクチャ に関する関連ガイドを参照するか、品質検査の課題について話し合うために お問い合わせ してください。

---

ECOSIRE によって発行 — Odoo ERP、Shopify eCommerce、OpenClaw AI にわたる AI を活用したソリューションで企業のスケールアップを支援します。