AIによる外観検査システムを導入したいけど…
  • 画像データの準備が大変 学習用の大量画像データを揃えるのに工数がかかる。特に異常品の画像データが揃えられない。
  • 現場で設定変更ができない 製品ごとのモデル学習を、AI開発ベンダーに頼まないとできない。現場だけで迅速に対応できない。
  • AI処理時間が長いため使えない 既存ラインのタクトタイムに間に合わない。一般的なAIによる外観検査システムでは、計算量が多く推論に時間がかかる。

FEATURE

「InspectAI」は、検査員の経験・言語化されない知識を学習し、検査基準を標準化。
それにより検査員の省人化や検査工程の自動化を実現!

  • 既存の検査工程に
    スムーズな導入ができる
    PCにインストールするだけで利用できる。導入前にトライアル検証ができる。異常品の画像データを準備しなくてよい。
    異常品の画像データが不要であり、モデル構築のための学習データの準備作成の手間を大幅に削減できる。
  • 生産計画や品目の変更にも
    現場だけで運用できる
    短時間(1~2時間)の学習で運用開始できる。複数の学習モデルを保持できる。複数面・異なる角度で同時検査ができる。
    簡単な画面操作により、1〜2時間程度で、モデルの学習をすることができる。あらかじめモデルを学習させておけば、モデルの切り替えをすることができる。
  • タクトタイムにあわせた
    高速処理を実現
    圧縮技術や受託開発で培われた経験により、タクトタイムを短くすることができる。

さまざまな業種で活きる「InspectAI」

  • 製 造
    ベルトコンベアを流れる原材料への異物混入や、製品の不良を検知し、検査工程の省人化や生産ロスの軽減を実現。
  • 運輸・物流
    特定部品のサビや腐食などの定期点検において、整備員によらない基準での検査をサポート。
  • 医 療
    医療機器の目視検査業務(汚れや傷等の検査)で、検査工程の標準化および検査品質を統一。
  • エンジニアリング
    構造物の部品取り付け確認工程の標準化。高所や危険箇所の滞在時間削減による検査員の安全性の確保。

FUNCTION

「InspectAI」は、外観検査の業務要件に必要とされる機能
標準で備えております。

学習機能

モデル作成
お客様自身で正常品データを学習させることでモデルを簡単に作成することができます。検査パラメータの推奨値を自動的に算出するので、煩わしい調整が不要です。
モデル改善
既存モデルに学習データを追加することで、学習データの精度改善を実現します。

VERIFICATION

「InspectAI」の検証環境での検証結果です。
正常品画像のみで、異常画像を的確に判定します

検証結果01「革」の外観検査

不良の種類傷・穴・ボンドの付着
学習画像(正常)300枚

検証結果02「ワッシャー」の外観検査

ワッシャーの不良検知の検出結果

入力画像
ヒートマップ
不良の種類傷・汚れ
学習画像(正常)329枚

FLOW

InspectAI」導入の流れ

導入の
流れ

内容
詳細

想定
時間

  • 要件
    整理

    -検査工程の環境、要件等の確認

    1-2時間程度
  • 機器
    設置

    -InspectAIのインストール、カメラ設置、PLC連携

    1日程度
  • データ
    収集

    本番環境での学習データの準備
    -正常品データの取得
    -アノテーション不要

    お客様準備
  • モデル
    作成
    (学習)

    -AIモデルを学習

    1-2時間程度
  • 検査
    開始

    検査工程の現地調査を行い、カメラおよび照明などの必要なハードウェアも含めてサポートいたします。

     

CASE

| 01 |

原材料への混入異物検査工程の無人化

従来

原材料にまれに混入する異物を、検査員が目視で検査。ルールベースの画像検査装置では対応できなかった。

AI導入後

品質検査工程における異物除去工程をAIにより無人化。追加学習をお客様自身で行うトータルシステムを導入。

課題 効果
異物混入を検査員が目視検査。 検査
方法
検知AIにより異物を検知。
検知時に検査員が異物を除去。
1名必要。
本工程だけ無人化できない。
検査
人員
検査工程の無人化。
工場/ライン毎に条件が異なる
 異物の種類 
 コンベアのスピード 
 検査員のスキル
検査
環境
工場/ライン毎に異なる条件をクリアし、他工場に横展開。
増加する異物の種類や
原材料の追加学習をお客様で実施中。

| 02 |

微細部品の重点検査箇所の抽出による工数削減

従来

機械製品の微細部品を、
検査員が内視鏡を用いて全件検査。

AI導入後

重点的に検査すべき箇所をAIが抽出することで、点検時間短縮と検査員の点検品質のばらつきを抑制。

課題 効果
微細部品が不良かどうかの判定が
検査員のスキル習熟に依存。
またスキル習熟していても、判定結果はまれに異なる
点検
品質
点検品質が属人的にならないように
アノテーションはお客様内での
最も信頼のできる方が実施し基準を統一
検査の難易度が高く、
点検手順が煩雑なため、1回の点検に時間が掛かる。
検査
人員
重点的に点検すべき部品をAIが抽出することで、
検査員が実施すべき点検対象を削減し、点検効率を向上

| 03 |

精密部品の欠陥事象毎の画像自動分類による工数削減

従来

製造工程改善へのフィードバックとして、製品表面の欠陥を撮像した画像を、検査員が目視で分類。

AI導入後

撮像画像から読み取れる製品表面の欠陥を、事象毎に分類したことで、検査時間の短縮に寄与した。

検出→光学/SEM撮影→画像分類
課題 効果
検査員が、欠陥事象に応じて画像を分類。
分類結果に、ばらつきが発生。
分類
精度
AIが欠陥種類別に分類した
画像の正解率は96.47%。
微細な欠陥があるため、
分類作業に時間を要している。
分類
時間
検査員が目視で行っていた分類作業は
AIが代行。
分類精度のばらつきと検査に
時間を要するので効率が悪い
検査
効率
AIが分類できなかった欠陥製品のみを
検査員が検査を実施。