AI外観検査 | 約7分

AI外観検査と従来画像処理の使い分け

AIが向く検査と従来画像処理が向く検査を分けて考え、現場で維持しやすい構成を検討します。

AI外観検査でできること

AI外観検査は、画像から特徴を学習し、良品と不良品の違いや欠陥の位置を判断する方法です。傷、汚れ、打痕、メッキ不良、ショートショットなど、見え方にばらつきがある対象で検討されることがあります。

ただし、AIを入れればすべての検査が解決するわけではありません。撮像条件、学習画像、評価方法、運用時の再学習まで含めて設計しないと、現場で安定して使い続けることが難しくなります。

従来画像処理は、しきい値、エッジ、輪郭、寸法、位置、面積などのルールを使って判定する方法です。検査基準を数式や条件として表しやすい場合は、従来画像処理の方が説明しやすく、調整もしやすいことがあります。

位置決め、寸法測定、穴の有無、部品の向き、輪郭の欠けなどは、条件が安定していればルールベース処理が向く場合があります。AIに置き換える前に、既存の処理で改善できる余地を確認することも大切です。

AIは、欠陥の見え方が一定ではなく、人が見れば分かるがルール化しにくい検査で候補になります。背景や素材のばらつきがあり、単純なしきい値では分けづらい場合に検討しやすい技術です。

分類、物体検出、セグメンテーションなど、AIにも複数の使い方があります。良品か不良品かを分けるだけでよいのか、欠陥位置を出したいのか、領域まで見たいのかによって選ぶ方式が変わります。

現場では、AIと従来画像処理を組み合わせる構成が有効なことがあります。まず従来画像処理で位置決めや切り出しを行い、その後にAIで外観判定するような流れです。

このように役割を分けると、AIが見る範囲を限定でき、判定結果の確認もしやすくなります。AIのブラックボックス感を減らし、現場で説明しやすい検査工程に近づけることができます。

AI外観検査では、良品画像、不良品画像、判断が難しい境界サンプルの集め方が重要です。不良品が少ない場合や、季節、ロット、材料で見え方が変わる場合は、運用しながら再学習する考え方も必要になります。

ヒトミビジョンでは、AIなら何でも検出できるという前提ではなく、まず実ワークで撮像し、従来画像処理とAIのどちらが適しているか、または組み合わせるべきかを確認する進め方を重視しています。

Contact

技術情報から製品、用途、お問い合わせへ自然に進めるよう内部リンクを設計しています。