AI外観検査と品質管理のためのマシンビジョン

近年のfew-shotモデルは、多くの場合数百枚程度の画像から開始でき、本番運用中も学習を継続します。

産業用カメラと照明はアプリケーションごとに選定し、設計済みの検査ステーション一式としてご提供します。

新しいバリエーションは既存モデルから短期間で学習できるので、多品種生産に向いています。

適切にサイジングしたサーバーであれば推論自体はミリ秒単位で終わり、ボトルネックになることはまれです。ただし1台のGPUで複数のカメラを共有する場合は、ステーションごとに遅延を見積もる必要があります。効いてくるのはループの残りの部分です。トリガーの瞬間に部品が静止し、毎回同じ照明条件で写ること、そして部品が排出ポイントに到達する前に良否判定が届くこと。インデックス時間にその余裕がないなら、直すべきは機械側です。

できます。レトロフィットは珍しくありませんが、作業の大半は機械と電気の工事です。PLCまたはセンサーからのトリガー信号、不良を排出するアクチュエーター、推論サーバーまでの配線が必要になります。モデルの学習は工程の中ではむしろ短いほうで、毎サイクル同じ姿勢で部品をカメラに見せること、ここが日程を決めます。

カメラに写らないものはすべて検出できません。内部の割れ、表面下のブローホール、溶け込み深さ、締付トルクや材料特性は、モデルを改良しても見えないため、別の計測手段が必要です。欠陥の見え方が毎回変わる場合、良否の線引きが言語化できず人の感覚に依存する場合、部品の姿勢が定まらない場合も苦手です。ステーションを仕様化する前に、実際に潰したい不良モードを決めてください。

稼働後は、システムが判定に迷った分類を誰かが確認・修正する必要があり、そのフィードバックがモデルを最新の状態に保ちます。専任というより定常的な負荷です。工数の大半はもっと前、最初の数週間に集中します。良品と、対象とするすべての不良クラスの代表画像を集める作業です。通常のシフト業務に、時間を確保しないまま上乗せすべきではありません。

誤判定は過検出と見逃しの二方向に出て、どちらを取るかは判定しきい値でのトレードオフになります。厳しくすれば良品が廃棄や再検査に回り、緩めれば不良が流出します。どちらも見えている必要があるため、判定はすべて画像とともに保存し、排出した部品は決めた間隔で人の判定と突き合わせて監査します。過検出が一度も見直されないステーションは、いずれオペレーターが判定を無視するようになります。

推論はオンプレミスのGPUビジョンサーバー上で動くため、リアルタイムの判定ループが工場の外に出ることはありません。インラインでの排出に間に合う遅延に収まるのはこのためです。再学習に使う保存画像とオペレーターの修正履歴は別の問題です。MSFがお客様のデータでモデルをチューニングする場合は、その画像を構内に留めるかどうかを契約で取り決めてください。プラットフォームの他の部分は、SaaS、プライベートクラウド、オンプレミスのいずれでも構築できます。

ラインから排出され、その判断を持つ担当者が廃棄・手直し・特採のいずれかを決めます。判定結果自体はMSF Qualityに送られ、SPC管理図に反映され、NCRを自動で起票できます。自動にならないのは、ある不良クラスが傾向を示し始めたときのエスカレーションです。カメラを取り付ける前に、処置とエスカレーションの経路を決めておいてください。