AI外観検査システムの選び方3つのポイント
カテゴリ：基礎知識
製品に傷、汚れ、色ムラ、湾曲、位置ずれ、バリなど、様々な不良が発生していないかを確認する検査工程を一般的に外観検査と呼びます。
従来こうした外観検査は人による目視（目視検査）によって行われてきましたが、検査対象や検査内容、検査規模によっては、外観検査装置やAI（機械学習）を活用した外観検査システムの導入に取り組む企業も増えてきました。
しかしいざ、AIを活用した外観検査システム（以下、AI外観検査システム）を導入しようと思っても、初期の導入費用はもちろん、導入後の検査精度やシステムそのものを扱えるのかなど、不安に思う方も多いと思います。
今回は、AI外観検査システムの選び方について詳しくご紹介いたします。
AI外観検査システムとは
AI外観検査システムとは、製品や部品に付着した傷や汚れ、その他異常を、静止画（画像）や動画データなどをもとに、AI（機械学習）技術を用いて良品・不良品の判定を行い、自動検出する仕組みのこと。
従来のルールベースによる外観検査装置（非AI）とは異なり、傷の大きさと長さ、形、色など、複合的な要因からの判定が行えるだけでなく、判定結果を機械学習させることで精度が上げられるなど、より人間の感覚に近い検査が行えるメリットがあります。
AI外観検査システムを導入することで、
- 検査工程の自動化や生産ラインへの組み込みによる検査の効率化
- 検査精度の向上による不良品流出などのリスク低減
- 検査員の省人化や現場の負荷低減によるコスト削減
などへの効果が期待できます。
AI技術を用いないルールベース（閾値ベース）による外観検査装置は、閾値を超えたものはすべて不良として判定するため、検査のスピード自体はAIシステムのものよりも現時点においては高速であり、比較的大量生産の製品・部品の検査に向いているという特徴を持っています。一方で、閾値から少しでも外れた場合はすべて不良と判定するため、過検出が起こりやすく、再度目視などでの検査を要するなどの無駄が発生するといったケースもあります。
もちろん、AI外観検査システムでもこうした過検出はもちろん発生しますが、多角的な要因をもとにした分析や機械学習による精度向上などにより、運用（学習）しながら検査精度を維持したまま過検出を抑えていくといったアプローチが可能です。
AI外観検査システムの選び方3つのポイント
近年、弊社ブレインズテクノロジーが開発・提供する外観検査システム「Impulse」のほかにも、様々なAI外観検査システムが製品として登場しています。
しかしこうした、AI外観検査システムを検討するにあたってはどのようなポイントに着目して検討すれば良いのでしょうか。今回はそのテーマで詳しくご紹介したいと思います。
1.機械学習のアプローチが解きたい課題に合っているか
AI外観検査システムには、それぞれ機械学習のアプローチにパターンがあります。
それぞれのアプローチごとに、自社で行いたい検査に適用できるかどうかや、最適なアプローチが何かを選ぶ必要があります。
教師なし
「教師なし（学習）」とは、正常な画像だけを学習し、NGデータをはじき出すアプローチです。良品学習といった呼び方もあります。
「教師なし」のメリットとして、未知の異常に強いといった特徴を持っています。NGデータの準備については、評価・精度を測るために、どのようなNGデータが出たかという観点では必要になるものの、機械学習させるという観点だけで言えば不要となります。
一方デメリットとしては、良品（OK）と判断するべきものが不良（NG）と判定されてしまうなど過検出も起こりやすいといえます。なるべく異常として検出し、仕分けした後に精度を上げていくといったアプローチが取られることもあります。
教師あり
「教師あり（学習）」とは、「こういった異常を見つけて欲しい」といった不良（NG）データを予めいくつか学習させ、問題を見つけていくアプローチのこと。
「教師あり（学習）」のメリットとしては、やはり既知の異常に強い点です。予め不良（NG）データを学習させておくことで、同じパターンの判断が必要な場面では、高い精度での判定が可能となります。
反対にデメリットとしては、事前の準備に時間がかかることです。傷ひとつ取っても様々な出方をするため、全てのパターンを教えられるかというと、現実的には難しいと言えます。そのため、いかに異常箇所を水増し（異常データを擬似的に作成するなど）し、学習させていくかが重要となるでしょう。
ハイブリッド
「ハイブリッド」は、教師なしと教師ありを組み合わせたアプローチのことです。たとえば、教師なしによって過検出を多めに出し、教師ありで異常か異常でないのかを分離させるなどの複合的なアプローチが例として挙げられます。
チューニング方法も合わせて確認
PoCなどの評価段階で精度が出たとしても、実際の現場における撮像環境や検査対象の変化などに柔軟に対応できるかどうかも、AI外観検査システムを導入する上で重要なポイントです。
先ほどの「教師なし」「教師あり」「ハイブリッド」といったアプローチ法の中でどれを適合させるのか、また精度が低下した場合や向上させたい場合にどうチューニングできるのかについても確認しておく必要があります。
チューニングパターンには
- ユーザー自身でアルゴリズムを選択するタイプ
- 推奨されたアルゴリズムを適用させるタイプ
の大きく2つが存在します。
ユーザー自身でアルゴリズムを選択するタイプとして、
- アルゴリズムの種類が豊富（100種類以上存在するケースも）
- チューニング方法：N増し、前処理、パラメータ探索
- 多様な問題に適用可能
といった特徴がありますが、機能を最大限発揮するための学習コストが高く、使いこなすための支援機能やマニュアルなどが準備されているかや、使いこなすためのサポートが充実しているかが重要な評価軸となってきます。
一方、推奨されたアルゴリズムを適用させるタイプとしては、
- 数種類の推奨されたアルゴリズムから判定させる
- チューニング方法：N増し
といった特徴があり、学習コストが小さく、現場担当に普及しやすいものの、多様な問題に適用ができなかったり、別製品・部品への横展開や現場での撮像環境の変化による再学習が必要となり、結果高コスト化しやすいなどが挙げられます。
自社においてどちらのチューニング方法が適しているか、またそのためのスタッフが確保できるかなどが判断のポイントとなってくるでしょう。
2.精度低下した際の再学習によるサポートは充実しているか
AI外観検査システムを運用する中で、静止画（画像）データの撮像環境に変化が生じるケースは実際良く起こります。
具体的には、
- 明るさの変化
- 位置ずれ
- 類似度
- 切り出しサイズの変化
などです。
検査精度が低下した際に、どのようなケア（再学習）が可能なのかも選定のポイントとなります。
なお、弊社のAI外観検査システム「Impulse」は、AIを使いこなすための煩わしさを極力抑え、データサイエンティストでなくても扱える製品をコンセプトとしたソリューションです。精度が低下した際や精度を向上させたい場合などにおいて、下記のような機能を効果的にお使いいただけます。（もちろん機能だけでなく、操作マニュアルやサポート体制も充実しております）
特徴量・分析方策などの自動推奨機能
特徴量・分析方策などの自動推奨機能とは、データ特性を分析して最適な分析方策やパイプライン、パラメータを自動で選定してくれる機能です。選択されたパイプライン（特徴量変換、アルゴリズム）やパラメータの詳細を確認することが可能です。
機械学習モデルの自動チューニング
モデル作成の中にはさまざまなアプローチがありますが、精度向上のためのチューニング作業をデータや精度状況に応じて今何をすべきかを推奨してくれる機能としてモデルチューニング支援といったものがあります。
上記のような機能の他に、
- 一目で状況が分かるダッシュボード機能
- システム運用中の感度調整機能
- 判定データの傾向把握
といった機能の提供や運用フォローを行っています。
3.現場利用を想定したカスタマイズ性はあるか
どのようなAI外観検査システムを導入するにしても、自分たちの製品の検査工程に適合させるためには、一部カスタマイズが必要となるケースもあるでしょう。
その際に、どのような部分でカスタマイズが可能なのかといった、カスタマイズの柔軟性を確認する必要があります。
フロント側の拡張
フロント側の拡張ポイント（カスタマイズ）には、
- 判断結果表示・管理画面
- 再学習画面
といったものが挙げられます。判定した結果をユーザー側にどのように表示するか（例として、現場で使用するモニターへの出力、パトランプの点滅など）や、再学習のオペレーションをどうやって簡易化させるのかなど、製品のインターフェース部分でどのような拡張が可能かを確認しておく必要があります。
システム側の拡張
システム側の拡張ポイントには、
- 画像収集
- 制御指示
- 既存システム連携
といったものが挙げられます。現場において撮影データをどのように収集するか、また設備側の画像コントローラー（画像センサ）などとの連携など、お客様の現場に適合する形で拡張できるかも選定ポイントとなるでしょう。
学習モデルの管理
仮に、100種類以上のアプローチ（解き方のAIモデル）をシステムの中に持っていたとしても、実際に特定の製品に対して検討の余地があるアプローチは、おそらく数種類に限られてくると思います。
それを現場の担当者であるユーザーに自分でモデル作成してもらうとすると、ゼロから探索するのではなく、「こういう場合にはこのようなアプローチが良かった」といった知見を残し、管理していくことが重要です。
このような知見を管理できる機能があるかどうかも意外と重要な選定ポイントとなり得ます。
弊社の提供する「Impulse」では、複数以上の学習履歴を蓄積し、特定タスクにおける学習パイプラインを最適化する機能も備わっています。学習履歴を活用することで、学習の仕方をさらに学習し、高速・高精度なモデル管理を実現することが可能です。
AI外観検査システム「Impulse」
弊社ブレインズテクノロジーが開発・提供する異常検知ソリューション「Impulse」は、機械学習技術の実用化を目的に、2014年市場に先駆けてリリースされ、数多くのお客様の「現場で鍛え上げられた」AI外観検査ソリューションです。
製品・部品に付着した複雑な異常を判定する高精度なAIモデルを有する一方で、データサイエンティストでなくても扱える製品をコンセプトとした扱いやすい製品です。
すでに撮影データをお持ちであれば、無料でのデータ分析相談サービスも実施しておりますので、ご関心ございましたらぜひ一度貴社の課題等含めご相談いただけましたら幸いです。定期的に製品に関するウェビナーも実施しております。
異常検知ソリューション「Impulse」最新セミナー&イベント情報
https://info.brains-tech.co.jp/impulseevent
まとめ
さて今回は、AI外観検査システムの選び方について詳しくご紹介をいたしました。
人手による目視検査は始めやすく高い柔軟性をもつ高度な検査方法のひとつですが、検査員の熟練度や体調などによって、精度にバラつきが出たり、検査速度の効率化が頭打ちになりやすいなど規模が大きくなるほど課題も表出してきます。また、製造業の分野においては労働力不足により人員の確保が難しいといった状況もあります。
そのような課題に対して、AI外観検査システムは目視検査のような高度な検査精度に仕立てて行くことが可能であり、また検査の自動化により現場の工程改善・サイクルタイムの短縮にも寄与できます。
今回ご紹介したようなAI外観検査システムの選定ポイントをぜひ参考に、自社にとって最適な検査方法を選定いただければと思います。
▼異常検知ソリューション「Impulse」公式サイト
https://www.brains-tech.co.jp/impulse/visual-inspection/