自動外観検査とは

そもそも、外観検査とは部品や製品の外観を検査することです。製品の品質には様々なものがありますが、特に製品の外観としての品質が基準を満たしているか評価する工程です。
この外観検査は人手で行われることが多いですが、カメラ・照明の撮像機器、制御装置を組み合わせて、自動化することを自動外観検査といいます。
この検査の自動化は近年一層求められるようになってきています。
品質問題が多発する昨今、製造業の現場では、より一層高い検査品質が求められています。

高い検査品質を目指すには、外観検査の人員を増員をしたり、検査項目を増やすこと、検査員の熟練度を上げることなどで検査品質を上げることが考えられます。
一方で、検査人員のコストが大きいことだけでなく、製造業離れや、高齢化が進んでいるのが現状があり、検査員の負担を増やすことや、高い熟練度を期待することが難しくなってきているため、検査の自動化も重要なテーマとなってきています。

自動化に関して、技術の発展が著しい生産工程の中でも遅れているのが検査工程とも言われています。
検査工程の自動化に取り組みたいと考えている企業は半数を超えています。

 

画像処理とAIの検査の違い

基本的な機能の違い

AIを用いた手法：AIは、学習した画像データからパターンを学習し、未知の画像に対して分類や検査を行うことができます。

画像処理を用いた手法：画像処理は、事前に決められたルールや条件に基づいて、画像を加工して分類や検査を行います。

 

判定の精度の違い

AIを用いた手法：AIは、学習したデータに基づいて、複雑な見え方の対象物であっても高い精度で分類や検査ができます。

画像処理を用いた手法：画像処理は、事前に決められたルールや条件に基づいて分類や検査を行うため、複雑な欠陥の検出などには限界があります。

 

適用範囲の違い

AIを用いた手法：AIは、大量のデータから学習するため、様々な形状や材質の部品や製品に適用することができます。

画像処理を用いた手法：画像処理は、事前に決められたルールや条件に基づいて分類や検査を行うため、特定の条件下でのみ適用可能な場合があります。

 

画像処理とAIの検査の流れ

画像処理とAIを用いた外観検査の流れは以下のような違いがあります。

 

画像処理を用いた検査の流れ

１．撮像

対象の製品をカメラで撮像します。
様々な種類がある照明やカメラを最適に組み合わせて、検査項目に最適な画像を取得できるような撮像構成を作ります。画像処理で検出しやすい画像を作るためには、できるだけ照明ムラなどのような複雑な見え方になる撮像は避けるべきです。

２．前処理

マスキングや位置補正など、検査の領域を抽出・限定する処理を行ったり、画像のノイズ除去や、エッジ強調などで、次の処理での安定検出ができるように画像の前処理を行います。

３．二値化

前処理を行った画像に対して、画像の色情報（RGB,HSV）から画像を2値化する処理を行います。例えば、特定の輝度値を持つ領域や、周囲と輝度差があるような領域など、様々な2値化の手法があります。金属上のキズなどであれば、周囲より明るい（暗い）ことを用いて領域を抽出することが可能です。

４．良否判定

上記の2値化によって、特定の領域が抽出されますので、その領域の個数や面積、角度、幅、高さ、外周長などでその抽出された領域の良否を判定することが可能です。

 

AIを用いた検査の流れ

１．撮像

対象の製品をカメラで撮像します。画像処理と同様の撮像方法で問題ありませんが、AIの方が複雑な特徴でも検出しやすく、照明が簡易で良いケースがあります。

２．前処理

マスキングや位置補正など、検査の領域を抽出・限定する処理を行ったり、画像のノイズ除去や、エッジ強調などのような、画像処理と同様の撮像方法で問題ありません。

一般的に、AIでは画像を見て欠陥か否かを人が判断できるレベルであれば、欠陥検出は可能です。

そのため、撮像と同様に、照明が簡易で良いケースがあります。

３．学習

取得した画像の、良品や不良品を学習させます。できるだけ、現実のラインで発生する多くの画像を学習させます。

４．良否判定

学習済みのAIを用いて、画像を与えて良否を判断します。

判断の仕方は以下の種類があります。

・分類

与えられた画像1枚が良品か不良品か分類します。一般的に、不良品か良品かのAIの自信度が出力されるので、人がしきい値を定めて分類します。

・領域検出

分類とは異なり、画像の中の欠陥の領域を抽出します。具体的な不良個所を知りたい場合に有効な手法です。

細かい方法として、その領域の個数や面積、角度、幅、高さ、外周長などでその抽出された領域の良否を判定することが可能です。

 

画像処理の長所と短所

 

画像処理の長所

高速処理：画像処理はAIより高速で処理することができます。

細かい欠陥の検出が可能：画像処理により、目視では見逃してしまう細かな欠陥を検出することができます。

判定結果のデバッグがしやすい：画像処理は人が判定のルールを定めるため、未検出や過検出があった場合でもその原因を突き止めやすいです。

 

画像処理の短所

設定に専門知識が必要：画像処理の正確性は設定に非常に依存します。様々な画像処理手法を理解しておく必要があります。

特定の材質や色の検出が困難：画像処理は自然物など特定の複雑な材質の部品や製品に対しては検出が困難な場合があります。

 

AIの長所と短所

 

AIの長所

高い精度：AIは大量の画像データから学習し、高い精度で分類や検査ができます。

簡単な操作性：学習によって精度を向上させることができるため、画像処理のような複雑なフィルタ処理について理解する必要はありません。

高い汎用性：AIは複雑な形状や材質の部品や製品にも適用することができます。

 

AIの短所

データセットの偏り：例えば、一部の不良しか学習していないなど、AIは学習に用いるデータが偏っていると、誤った判定をすることがあります。

適切な計算機の選定：AIはディープラーニングを使った高度な計算を必要とするため、適切な計算機（グラフィックボード付きのPC等）が必要となります。

判定結果のデバッグがしにくい：AIは学習データに基づいて判定を行うため、特定の問題に対して人間の専門知識が必要で、過検出や未検出の原因を突き止めることが難しいケースがあります。