判定が人によって変わる
微妙な傷や汚れの判定基準が人によって異なり、検査基準の標準化や教育に負担がかかる。
01 / 概要
AI判定の前に、不良が安定して見える条件をつくる
外観検査の結果は、AIモデルだけでなく、カメラ・レンズ・照明・ワークの見せ方・不良基準に大きく左右されます。そのため、まず実際のサンプルを撮像し、判定に必要な特徴が安定して写る撮像条件の検証から着手します。
検査工程で起きやすい課題
不良のばらつきが大きい
形状や位置が一定しない不良は、ルールベースの画像処理だけでは安定して検出しにくい。
撮像条件が定まらない
反射や影、色ムラ、位置ずれの影響で、AIに入力する画像そのものが安定しない。
02 / 用途
検査対象の例
対象物や不良の種類、ラインの条件によって適した構成は異なります。以下は検討例の一部です。
傷・欠け
表面の線傷、打痕、成形時の欠けなどを画像から判定します。
汚れ・異物
付着物や混入物など、正常な状態との差異を捉えます。
有無・組み違い
部品の欠品、向き、組み付けの状態を確認します。
印字・ラベル
印字のかすれや位置ずれ、ラベルの貼り付け状態を確認します。
03 / 技術・構成
個別PoCにおける検証項目
撮像条件の検証
照明や角度を変えながら、不良の特徴が安定して写るかを確認します。
AI判定精度の検証
良品・不良品のサンプルを用いて、現場で求められる判定基準を満たせるかを確認します。
運用方法の検証
判定結果の取り扱いや再学習、検査ログ、設備との連携方法まで含めて整理します。
Visual Inspection AI
外観検査の結果は、AIモデルだけでなく、カメラ・レンズ・照明・ワークの見せ方・不良基準に大きく左右されます。そのため、まず実際のサンプルを撮像し、判定に必要な特徴が安定して写る撮像条件の検証から着手します。
04 / 導入の流れ
PoC・導入の流れ
検出率などの数値を先にお約束するのではなく、実際のサンプルで検証してから現場導入へ進めます。
- 01
検査要件の整理
対象物と不良の定義、見逃し・過検出をどこまで許容するかを確認します。
- 02
撮像検証
カメラ・レンズ・照明・ワークの置き方を変えながら画像を比較します。
- 03
AI判定PoC
サンプル画像でモデルを検証し、判定結果をお客様とともにレビューします。
- 04
現場導入・運用
設備連携、検査ログ、再学習の方法を設計し、現場で評価します。
05 / よくある質問
よくあるご質問
AIならどのような不良でも検出できますか？
対象物や不良の見え方により異なります。まず実際のサンプルを撮像し、判定に必要な特徴が画像に写るかどうかから確認します。
必要なサンプル数は決まっていますか？
不良の種類やばらつきによって異なります。まずはお手元の良品・不良品サンプルを確認し、PoCに必要な追加データを整理します。
既存設備との連携も相談できますか？
ご相談いただけます。判定信号や画像保存、PLC・上位システムとの接続条件を確認したうえで構成を検討します。
Visual Inspection AI