AI外観検査を量産ラインへ｜ 「見つけるAI」だけでは実現できない、自動化を実現する5つのカギ

モビリティ業界の製造現場において、製品の品質を支える外観検査は、欠かすことのできない重要な工程です。

車体や部品の表面に生じるわずかなキズや打痕、塗装不良などは、製品の品質や価値に直結します。

一方で、品質要求が高まるなか、製造現場では人手不足や熟練検査員への依存、検査員による判定のバラつきといった課題が顕在化しています。

そこで本記事では、高い品質を守り抜きながら、現場の負担軽減を図る対応策として注目される「AIを活用した外観検査の自動化」について、その特長や導入時に押さえておきたいポイントをご紹介します。

目視検査をAIで自動化するには？現場実装を阻む壁と実現へのステップ

人手不足や熟練検査員への依存、検査員ごとの判定のバラつきなどを背景に、外観検査の自動化を検討する製造現場が増えています。

生産管理部門にとっては検査工程のボトルネック解消、品質保証部門にとっては判定基準の平準化とトレーサビリティ向上、生産技術部門にとっては受入検査工数やサプライヤー不良の対応コストの削減が期待できます。

一方で、実際に検討を始めると、「現在の目視検査を、そのままAIに置き換えることは難しい」という現実に直面します。

AIの判定精度だけを比べても、現場で継続して使える自動化にはつながらないためです。

人の「目利き」を、AIだけで再現するのは難しい

熟練検査員は、製品の色、形状、光沢、模様などを総合的に捉え、限度見本や過去の経験と照らし合わせながら良否を判断します。

金属表面の反射をキズと見分けたり、樹脂部品の色ムラを許容範囲と判断したりするなど、その判定には言語化しにくい知見も含まれます。

AIは、カメラで取得した画像をもとに判定します。したがってキズや異物が画像上で十分に見えていなければ、どれほど高性能なAIでも安定した検出はできません。

反射や影が不良のように映れば過検出が起こり、微細な不良が数画素でしか映らなければ見逃しにつながります。

AI外観検査では、AIモデルの選定より前に、「検出したい限界不良は何か」「どの角度、照明、解像度で撮れば特徴が浮かび上がるか」を決める必要があります。

光沢面なら反射を抑える照明、微細な凹凸なら斜めからの照射、内部の異物なら透過光といったように、製品と不良の性質に合わせた撮像設計が精度の土台になります。

自動化を実現するために、先に整理すべきこと

最初から全面的に目視検査を廃止しようとすると、必要な精度や設備規模が膨らみ、投資判断が難しくなります。

まずは、検査負荷が大きい工程、繰り返し作業が多い工程、不良の定義を整理しやすい工程など、効果を確認しやすい対象に絞ることが重要です。

その上で、対象製品と検査部位、良品と不良品の境界、許容できない見逃し、許容できる過検出、ラインのタクトタイム、品種切り替えの頻度、不良品の排出方法、検査結果の保存期間まで整理すべきです。

品質保証部門だけでなく、生産管理、製造技術、設備、調達が同じ要件を共有することが欠かせません。

次に、実物サンプルを用いた検証で、検出精度だけでなく、現場の照明、振動、粉塵、設置スペース、搬送速度の影響まで確認する必要があります。

PoCで静止した製品を判定できても、量産ラインでブレなく撮影し、所定時間内に判定できなければ実用化できません。

内製化で行き詰まりやすいのは、AI以外の領域

外観検査の自動化を内製化するには、AI開発だけでなく、画像処理、カメラ・レンズ・照明の光学設計、電気回路、PLC制御、機構設計、品質管理、現場運用にまたがる知識が必要です。

さらに、良品・不良品画像の収集、教師データ作成、アルゴリズムの選定、判定条件の調整を行い、AIがNGと判定した製品を既存ラインから確実に排出する仕組みまで構築しなければなりません。

判定結果を画面に表示するだけで、作業者が手で不良品を取り除く状態では、人員を検査工程から外すことはできません。

導入後も、製品の追加、材料ロット、周囲光、照明の経年変化、顧客要求による合否基準の変更が発生します。

そのたびに外部の技術者を待つ運用では、目視検査に戻ってしまいかねません。

現場担当者が結果を確認し、判定のしきい値を調整し、必要に応じて画像を追加して再学習できる仕組みまで含め、設計する必要があります。

判定から排出、品質改善までを一つの仕組みに

NAGASE Mobilityのパートナー企業では、AIソフトウェア単体ではなく、導入相談からハードウェア設計、データ収集、AI構築、運用・再学習までを一貫して支援しています。

まず、実物サンプルと限界不良を確認し、検出対象の大きさから必要な画素数を逆算します。

そして製品の材質や表面状態に応じて、カメラ、レンズ、リング照明、ドーム照明、バックライトなどを組み合わせ、実際の搬送速度でも不良が明確に映る撮像環境を設計します。

判定には、検査内容に適したAIアルゴリズムを選定します。曖昧な外観差はAIで捉えながら、寸法、位置、個数、印字の有無など明確な条件は、従来のルールベース処理と組み合わせることも可能です。

すべてをAIに任せるのではなく、得意な方式を使い分けることにより、精度と処理速度の両立を目指します。

さらに、AIのNG信号をPLCへ送り、エアブロー、プッシャー、搬送方向の切り替え、ロボットなど、製品特性に合った排出機構と連携します。

既存ラインを活用した後付けも含め、撮影、判定、排出までを一つのシステムとして構築することによって、目視検査工程の省人化・自動化を実現することが可能です。

現場画面では判定結果を即時に確認し、しきい値を直感的に調整できます。管理画面には検査画像と判定結果を蓄積し、不良率の推移や発生傾向をグラフや品質管理図で可視化します。

品種追加や基準変更に対しては、専門的なプログラミングを行わずにモデルの追加・再学習を進められるため、検査を自動化するだけでなく、蓄積データを工程改善へとつなげることができます。

また、初期段階から大規模設備を一括導入するのではなく、月額型の仕組みを活用し（ハードウェアを除く）、初期費用を抑えつつ、導入リスクを低減させることも可能です。

検出可能性と費用対効果を確認した上で別品種や別ラインへ展開すれば、投資判断も進めやすくなります。

外観検査の自動化を、構想で終わらせないためにAI外観検査の成否を決めるのは、AIモデル単体の性能ではありません。

判定基準、撮像、AI、搬送・排出、データ活用、継続運用を一つの工程として設計できるかどうかが重要です。

NAGASE Mobilityでは、お客様の生産管理、品質保証、製造技術、調達の要件を整理し、パートナー企業と連携して適用可能性の検証から設備実装、運用定着までを支援します。

「自社製品で検出できるか確認したい」 「過去にPoCを行ったが量産導入へ進まなかった」 「排出設備や既存ラインとの連携まで相談したい」
といった段階から、ぜひNAGASE Mobilityへご相談ください。

※本WEBページに掲載されている画像の制作に生成AIを使用しています。