品種が数百ある工場の AI 検品——品番ごとに作らず「見た目の群」で始める

この記事は、品番が数十から数百ある工場や、多くの仕入先から雑多な品物を受け入れる商社の検品で、AI の画像検査をどこから入れるかを扱う。AI 検品を始める前に決めること（見逃してはいけない不良、入ってくる画像の条件、閾値）は外観検査を AI で自動化する前に決めることにまとめてあるので、ここでは「品番が多い」ことに固有の判断に絞る。

品番ごとに作ると、何が品番の数だけ増えるか

AI 検品の話は、一つの品番を例に語られることが多い。品番が数百ある現場で同じことを品番ごとに繰り返すと、次のものが品番の数だけ増える。

表面技術協会の誌上の解説は、製造現場に特有の問題として、大量の不良品の画像を事前に用意するのは非常に難しく、新しい製品では良品の画像の準備すらままならないと書いている^[4]。精密工学会誌の解説も、多品種少量・変量生産が進むなか、各製品に個別の検査装置で対応すると、ラインや検査ごとの設備購入費が増えることを課題に挙げている^[2]。栃木県産業技術センターの研究紹介は、カメラなどを使った自動化が広がっている一方で、多品種少量の製造現場では自動化に制約があり、多くは人の目視検査で行われている、と現状を書いている^[1]。

品番が多い現場で AI 検品が進まないのは、技術が足りないからというより、この「品番の数だけ増える」費用と手間が合わないからである。だから進め方の要点は、品番ごとに作らないで済む単位を見つけることになる。

品番を「見た目の群」に分ける

画像の AI にとって大事なのは品番の番号ではなく、写る物の見た目である。品番が違っても、材質・表面・形・大きさ・欠点の種類が同じなら、同じ撮り方と同じモデルで扱える見込みがある。そこで、品番の一覧に次の欄を足して、似たものをまとめる。

分けてみると、品番は数百あっても、見た目の群は十数個に収まることが少なくない。群の中で品番によって違うのが印刷の柄や刻印だけなら、柄の違いを学習で吸収できるか、柄の部分を見ない設計にするかを、試す段階で確かめる。逆に、同じ品番でも色違いが多い製品は、色ごとに別の群として扱ったほうがよい場合がある。

この作業は、AI を入れるかどうかに関係なく役に立つ。群ごとに「見る面」「見る欠点」「見る条件」が決まれば、人の目視の手順書もそろえやすくなる。欠点の名前と定義、見る条件の決め方は外観の合否基準を仕入先と決めるで扱っている。

検査数の多い群から始める

群に分けたら、どの群から AI にするかを決める。目安は、その群を人が検査している量である。J-Net21 の多品種少量生産の解説は、受注の特徴を「受注頻度」と「1 回あたりのロットの大きさ」で分け、多頻度大ロット・多頻度小ロット・少頻度大ロット・少頻度小ロットの 4 つに分類して、それぞれに合った生産方法を考える手順を示している^[3]。分類の線は、たとえば「月に 3 回以上受注があれば多頻度」のように数値で決めるとしている^[3]。

検品の自動化でも同じ分け方が使える。検査の頻度と量で群を並べると、AI を入れる順番が見えてくる。下の表は、この分類を検品に置き換えた目安である。

最後の「少頻度・少量」の群は、無理に AI に乗せないほうがよい。全部を AI にしようとすると、この群の画像集めと調整に手間を取られ、効果の出る群まで遅れる。人の目視を残す群をはっきり決めておくことも、計画の一部である。費用の数え方は目視検査の自動化の費用対効果で扱う。

品番一覧から AI にする群を選ぶところから、一緒に進める→ 品番の多い検品を相談する

新しい品番の画像が無いときの方法

品番が多い現場では、新しい品番が次々に入ってくる。新しい品番には不良品の写真はもちろん、良品の写真もまだ無い。この問題への対応として、解説は二つの方法を紹介している^[4]。

一つは、良品の画像だけで学習し、そこから外れた物を不良として拾う方法（半教師学習）である。解説は、工場の生産では設計どおりのものを作ることが絶対なので、未知の良品を見分ける能力は不要であり、良品の画像だけで学習する方法も有効だとしている^[4]。不良の画像が少なくてよく、欠点の種類を網羅しなくてよいので手間が少ない^[4]。岐阜大学の新技術説明会の資料も、大量に手に入る良品と、ごく少量の不良品から正常の状態を学習する手法を紹介している^[6]。

もう一つは、別の対象で学習済みのモデルを流用し、対象の検査の画像を少し足して学習させる方法（転移学習）で、学習に要する画像の枚数を減らせる^[4]。精密工学会誌の解説は、一般の物体認識向けに学習したモデルより、外観検査向けに学習したモデルを出発点にしたほうが、学習の収束が早かったという実験を紹介している^[2]。品番が多い工場では、群ごとに一つの土台のモデルを持ち、品番ごとの違いを少ない画像で足していく形が考えられる。

ただし、どちらの方法も手間がゼロになるわけではない。良品だけで学習する方法でも、不良とみなす割合を決める値は、学習させる良品画像の質や対象によって違うので現場で調整が要る^[4]。精密工学会誌の解説が良品だけで学習した実験では、不良品を良品と判定する件数をゼロにしようとすると、良品も良品と判定できなくなり、不良品をすべて検出することはできない結果だった^[2]。良品の画像のばらつきを学習しきれていないためと考察している^[2]。新しい品番では、良品の画像がたまるまでの間、人の検査を並べて見る期間を取るのが現実的である。

品番を足すたびにモデルを更新する——更新の手順を決めておく

品番が多い現場では、モデルを一度作って終わりにはならない。新しい品番を足す、仕様が変わる、仕入先が替わる、といった変化のたびに、学習し直してモデルを更新することになる。

産業技術総合研究所の機械学習品質マネジメントガイドラインは、運用開始時の品質が運用期間中を通じて保たれること（運用時品質の維持性）を品質の特性の一つとし、それには、AI システムの外の環境の変化に追従できること、AI への入力に関わるシステム自体の状態の変化に追従できること、追従のためのモデルの変更が品質を不用意に劣化させないことの三つが含まれる、としている^[5]。更新の形として、開発環境などで品質を検査してから運用に反映する形と、運用中に人の検査を介さずに自動で更新する形を挙げ、後者は品質が劣化したモデルがそのまま運用に反映される危険が高いとしている^[5]。

同じガイドラインは、更新の前に正しく判定していた入力を、更新の後に誤って判定することへの配慮が必要な場合があると書いている^[5]。現場では、一度正しく動いたものが後日正しく動かないことへの抵抗感が大きい、という指摘である^[5]。品番が多い工場では、新しい品番を足したら、既存の品番の判定が変わることがある。

このため、品番を足すときの手順を、次のように決めておく。

ガイドラインは、追加の学習も含めて学習に使ったデータはすべて保存され、品質の確かめや、過去に正しかった事例での性能の低下の確認に使えることが望ましい、とも書いている^[5]。手順 3 の「確認用の画像」は、学習に使わない画像として品番ごとに取り分けておく。

撮影と治具を群でそろえる

群に分けても、撮影の条件と治具が品番ごとにばらばらでは、結局作り直しになる。表面技術協会の解説は、画像が光の反射による白飛びのような外乱を受けやすいことを挙げ、前処理として画像上の明るさの影響を除いたり、検査する物の背景を隠したりする工夫が行われていると書いている^[4]。品番が多い現場では、こうした工夫を群ごとに一つ決め、品番が変わっても同じ照明・同じ背景・同じ置き方で撮れるようにする。

治具は、品番ごとの専用品を作る前に、群の中で共通に使える形にできないかを考える。置き方がそろわない品物は、人が置き方を整えてから撮るという分担でもよい。完全な自動化にこだわらず、人が品物を置き、AI が判定する形から始めても、目視の時間は減りうる。

よくある質問

品番ごとにモデルを作らないと精度が出ないのではありませんか

品番によってはそうなる。群でまとめて試し、精度が足りない品番だけを別に扱う、という順番がよい。最初から全品番を別々に作ると、画像集めと調整の手間で計画が止まりやすい。

新しい品番が週に何件も入ります。それでも AI にできますか

新しい品番の立ち上げ時は、人の検査を並べる期間を取る前提で考える。群の土台のモデルに少ない画像で足せる見込みがあるか、試す段階で確かめておく。入れ替わりが激しく、良品の画像がたまる前に生産が終わる品番は、人に残すほうが合うことがある。

商社で、検品する品物の仕入先がばらばらです

仕入先が違えば、同じ品番でも表面や色が少し違うことがある。仕入先を群を分ける軸の一つに加え、仕入先が替わったときはモデルの見直しの対象にする。受け入れる品物の判定基準は、仕入先と発注の前に合わせておく。

まとめ

品種が数百ある工場では、品番ごとに AI 検品を作ると、画像集め・撮影の調整・治具・閾値の確かめが品番の数だけ増える^[2][4]。品番を材質・表面・色・形・見る面・欠点で「見た目の群」に分け、検査の頻度と量の多い群から始め^[3]、少頻度・少量の群は人に残す。新しい品番には、良品だけで学習する方法や学習済みモデルの流用がある^[4][6]が、閾値の調整と人の検査を並べる期間は要る^[2]。品番を足すたびにモデルを更新するので、更新前に既存の品番の判定が変わっていないかを確かめる手順を決めておく^[5]。

不良品の写真の集め方は不良品の写真の集め方、AI と人の分担はAI と人の分担で扱う。

出典・参考資料

1. 目視検査のエビデンス取得に関する研究（栃木県産業技術センター 機械電子技術部／令和 5（2023）年度共同研究）
2. Deep Learning の外観検査への適用と研究動向（久保田 進也／精密工学会誌 85 巻 1 号／2019 年）
3. 多品種少量生産における効率的な生産方法を教えてください。（中小企業基盤整備機構 J-Net21 ビジネスQ&A）
4. 画像検査への AI の応用についての現状と将来に関する考察（成田 浩久・舘山 武史・永野 佳孝・藤本 英雄／表面技術 71 巻 7 号／2020 年）
5. 機械学習品質マネジメントガイドライン 第 4 版（Revision 4.1.0）（産業技術総合研究所 デジタルアーキテクチャ研究センターほか／2023 年 12 月 12 日）
6. 少数不良品サンプル下における深層学習による正常モデル生成と異常品検出（加藤 邦人（岐阜大学）／科学技術振興機構 新技術説明会 資料／2019 年 7 月 11 日）

WHITE PAPER

この記事の理解を深める
無料ホワイトペーパーをプレゼント

製造業の現場で使える実務資料（PDF）を無料でお届けします。"こんな資料が届きます" ↓ 下のボタンからどうぞ。

🔒 全文は無料ダウンロードで