導入の流れ

flow

検査方法の適正や不良の撮像から、導入まで3ステップでプロジェクトを進めていきます

Step.1 考える

十分な検討なしに着手しても、ほとんどの場合うまくいきません。
プロジェクトを着実に進めるには、外観検査の業務改善における達成目標を定めて、自動化の実現性や検査精度の向上が見込めるか適正を見極める必要があります

what-is-appearance-inspection-device

Step.1-1 撮像構成の検討

画像認識において、要とも言える撮像環境を考察します。

検査対象にあわせた異常を際立たせる照明選定や、検査現場の環境にあった環境の構成を検討します。

Step.1-2 AIの検討

数ある異常検出技法から検査特性にあった手法を検討します。

Object-detection

物体検出

学習させたい箇所を画像上から抽出する方法

特性:欠陥の位置特定が必要

【適用例】
ベルトコンベヤーで製品が流れてくる中でゴミが混ざっていないかの検査

組み立て工程で発生する微妙な部品の配置ずれ検知や部品の有無検査

ai-generate

画像生成

AIが生成した正常画像との差分を抽出する方法

特性:不良品がなかなか集められない

【適用例】
不良の発生頻度が少なく、未知の異常を検知する検査

bunrui

画像分類

対象をクラス(カテゴリ)ごとに分類する方法

特性:対象物が何かを特定したい

【適用例】
発生原因から前工程の改善に繋げるために不良を分類する検査

Step.2 試す

検討した方針を実際に検証していきます。
PoC(概念実証検証)にて、実現可能性と投資対効果があることを明らかにすることを目的に実証実験を行っていきます。

検証要件整理

検証要件整理

  • 検知対象の整理と要求レベルの設定
  • 最終運用イメージの整理
  • ROI評価指標の認識調整
データアセスメント

データアセスメント

  • 検証用素材の収集
  • 検証データ環境の手配・構築
  • 検査・学習データの作成
モデル実証実験

モデル実証実験

  • モデル評価方法の検討
  • 学習モデル作成・検証
  • 検証項目の適合性判断
  • 検証データの精度・性能評価
最終報告

最終報告

  • 実施内容の説明
  • 実施結果の報告
  • 課題の洗い出し
  • 今後の進め方

Step.3 開発する

検証結果を元に、精度・速度を調整して現場環境で運用できるシステムを構築導入します。

illustration

学習

学習

AIのモデル学習はAzureクラウド上で学習方法に応じて最適なライブラリを使って学習します。学習済のAIモデルはEdgeサーバに格納します。

メリット

  • 物理環境よりコスト負担や運用負荷が軽減
  • ビッグデータをセキュアに管理できる
判定

判定

Edgeサーバでは、カメラから画像を受け取りAIが判定結果を推論します。判定結果はEdgeサーバからコンピュータに画面表示してモニタリングできます。

メリット

  • 膨大な画像データの高速処理が可能
  • リアルタイムモニタリングができる