日本はモノづくり大国として、カンバン方式等の独自生産形態によって製造の迅速化と高品質化を実現してきました。しかし、グローバル規模でビジネスの激化が進んでいる現代において、より一層のスピードアップと厳格な品質保証が求められています。そこで多くの製造業では、従来の検査方法から画像認識とAIを活用した検査を実施することで、大幅な生産性向上を図っています。
本稿では、検査工程における画像認識とAIを活用することによる生産性向上についてご紹介します。
従来の外観検査
製造業において外観検査は欠かせない検査工程です。目視によって部品や製品を検査することで、良品・不良品の判定を行い、さらには不良原因を追究して製造工程にフィードバックし作業工程の見直しを行います。しかし、従来の外観検査にはいくつかの問題もあります。
インライン検査とオフライン検査の問題
インライン検査とは、ライン生産方式において外観検査を組み込む検査方法です。一方、オフライン検査とは生産ラインから特定の部品や製品を抜取り、細かく外観検査するための検査方法です。前者は全数検査が実施でき、後者は抜取検査が実施できます。しかしそれぞれの検査方法には、いくつかの問題もあります。
- 人間の目視による検査のため不良品が流出する可能性がある
- 検査工数が年々増加し、手間とコストが増えている
- 検査員が増えて人件費が肥大化している
これらの問題は、激化するグローバルビジネス競争において大きな足かせになっています。加えて、世界中で工場のスマート化の動きが活発になっており、より高い生産性が求められています。
画像認識とAIとは？
画像認識やAI（Artificial Intelligence：人工知能）は、現代のIT業界で最もホットなキーワードだと言えます。画像認識とは、コンピューターが画像データや動画データを取り込み、特定の項目を認識するための技術です。一方、AIは、コンピューターに大量のデータを取り込み、反復的な学習を実施することで知能を向上させ、特定の領域で人間と同等以上の能力を実現するためのものです。
ここで、AIについて詳しく説明します。AIとはそもそも何か？AI研究の第一人者であるジョン・マッカーシー教授は、AIについて次のように述べています。
“知的な機械、特に知的なコンピュータープログラムを作る科学と技術です。人の知能を理解するためにコンピューターを使うことと関係がありますが、自然界の生物が行っている知的手段だけに研究対象を限定することはありません。”
出典：人工知能のやさしい説明「What’s is AI」人工知能のFAQ
AIと聞くと人型の対話型ロボットをイメージする方が多いでしょうが、実際には特定の分野において高度な能力を発揮するのがAIです。たとえばあるシステムに組み込まれ、収集した様々なデータから高速な処理を実現します。こうしたAIは画像処理の現場にも組み込まれています。
「Googleの猫」という事例をご存知でしょうか？2012年、Googleがディープラーニング（深層学習）を用いてYouTubeに投稿された動画の中から無作為に1,000万枚の画像を取り出し、AIに学習させました。その結果AIは、猫が写っている画像を見分けられるようになったそうです。この研究が注目された理由は、人間がAIに猫という概念を教えることなく、AIが猫を識別するようになったことです。
参考資料：DIAMOND Online『2012年にAIの歴史が動いた！ついに猫認識に成功した「Googleの猫」』
それから数年後、画像認識技術の性能は飛躍的に向上し、現在では様々な分野でAIが活躍しています。医療分野では医療画像からガンの特定にAIが用いられ、高度な知能を備えたコンピューターの診断は専門医の能力を超えており、高精度にガンを発見できることから実用化が進んでいます。
外観検査に画像認識とAIを取り入れる
ライン生産方式における大量生産の場合、コストや納期の関係で抜取り検査を実施するケースが多いでしょう。しかしながら、抜取検査では検査ロット内の一部だけを抜き取って検査するため、すべての部品や製品の品質保証ができるわけではありません。不良品が流出する可能性は十分にありますし、不良品が発見された場合は良品を含む対象ロットすべての部品や製品が不良品扱いになります。
抜取検査は工数とコストを少なくして外観検査を実施できますが、こうしたリスクから最近では高精度な全数検査へ移行する流れが活発になっています。それが画像認識とAIを取り入れた全数検査であり、部品や製品を１個ずつ画像認識で良品か不良品かを判断できます。
生産ラインに流れる製品の画像データや動画データから、AIが良品か不良品を瞬時に判断し、不良品が流れた場合は作業員に警告しラインをストップします。こうすることで、効率的な外観検査を実施できます。
画像を用いた検査についてはこちらのブログで詳しく解説しています。
画像検査の仕組みや検出できる範囲とは？おすすめのシステムまでご紹介
AISIA-ADによる外観検査の高度化
高度な外観検査を実施するためには、画像認識とAIを取り入れる必要があります。ここでは、当社システムインテグレータが提供するAISIA-ADについてご紹介します。
AISIA-ADは、ディープラーニング（深層学習）を活用した画像認識を搭載した最先端の外観検査システムです。ディープラーニングとは、機械学習の一種であり、AI自身にデータ学習を繰り返させることによって高度な認識精度を備えるための技術です。
2017年、Google傘下のAI研究会社は、ディープラーニングを用いて開発したAIによって、世界トップの囲碁棋士に圧勝したというニュースが話題になりました。ディープラーニングで開発したAIは非常に高い性能を備え、特定の領域において人間をはるかに超える知能を持っています。AISIA-ADも同様です。
AISIA-ADの特徴
外観検査に必要な機能をオールインワンで装備
イチからAIモデルを作成するのではなく、学習データ管理、ラベル付け（アノテーション）、機械学習（ディープラーニング）、エッジークラウド連携、オブジェクト検知、正常・異常判定、異常箇所表示（ヒートマップ）、監視・訂正（モニタリング）、追加学習（アクティブラーニング）など異常検知に必要な機能をオールインワンで装備しています。
クラウドで学習しエッジで異常判定
学習プロセスは、学習環境が整備されているクラウドMicrosoft Azure Learning Serviceを使っており、学習済の分類器は、Azure IoT Hub/Edgeを使って簡単にエッジコンピュータに格納（デプロイ）できます。
エッジでは、製造ライン上の製品をカメラで撮影し、動画の中の製品（オブジェクト）を自動検知した上で、分類器によって正常異常を判定します。異常検知状況はリアルタイムにモニタリングできるほか、人が介在して正常異常の最終確認を行ったり、異常個所にヒートマップ（印）を付けたりできます。
様々な学習モデルに対応
正常品のみ学習するモデルでは、生成モデルを利用し、当社独自技術のChameleon filterを使ってノイズと異常を高精度で見分けて異常箇所をヒートマップ表示します。
正常異常の両方を学習するモデルでは、畳み込みニューラルネットワーク(CNN)を使ってさらに高精度な判定が行えます。
AISIA-ADを外観検査に導入することで、検査効率が飛躍し、不良品を確実に発見するためのシステムが構築できます。外観検査の精度を向上するために、AISIA-ADの活用をぜひご検討ください。
