本プロジェクトの背景と課題
製造現場における外観検査は、依然として人手依存度の高い工程であり、検査員の経験やコンディションに品質が左右されやすい。とくに量産ラインでは、
- 目視疲労による見逃し
- 作業者ごとの判定基準のばらつき
- 良品と微小欠陥の判別の難しさ
が課題となり、不良流出・過検出・手戻りコストの要因となっている。
一方で、多くの現場では「良品画像は大量にあるが、異常サンプルは少ない、もしくはパターンが散発的で網羅できない」という状況が一般的である。不良の種類や発生パターンはライン・型・ロットによって変動するため、すべての異常を事前にラベル付きデータとして収集することは現実的ではない。
このような背景のもと、「異常の全パターンを学習させる」のではなく、
“良品状態を高精度に学習し、そこから外れたものを異常とみなす” 良品学習ベースの外観異常検知モデルの構築が有効となる。本プロジェクトは、現場で取得可能な大量の良品画像を中心にモデルを学習させ、微小欠陥や違和感のある外観を自動で検出する仕組みを構築することを目的とする。
技術概要とアーキテクチャ
本プロジェクトでは、カメラで撮像された製品外観画像を入力とし、良品画像のみを主な教師データとして学習する異常検知モデルを構築する。モデルは良品のパターン・ばらつき・許容範囲を捉え、それから外れた領域や画素パターンを「異常候補」として出力する。
全体アーキテクチャは、
- 外観画像データの収集・前処理
- 良品学習モデルの構築（Autoencoder系・One-class系など）
- 異常スコアマップの生成としきい値設計
- 検査ラインへの適用（オンライン／オフライン）
という流れで設計する。
ライン構成に応じて、エッジ側（検査PC・カメラ近傍端末）で推論を行い、サーバ側で学習・モデル更新を行う形を想定する。また、既存の目視検査・ルールベース検査と併用し、徐々にAI判定比率を高める段階的導入も視野に入れる。
異常判定結果は、
- 製品ごとの「合否」
- 画像上の「どの位置が異常とみなされたか」を示すヒートマップ
として出力し、検査員が最終確認できる形で提示する。これにより、ブラックボックスではなく、現場が納得しやすいAI検査を実現する。
技術詳細
- データ収集・前処理
- ラインカメラ・エリアカメラからの良品画像の大量収集
- 照明条件・露光条件の標準化（撮像レシピの整理）
- 位置ずれ・回転・スケール差を補正する画像前処理
- 学習用データセットの構築（ライン別・品種別・ロット別の整理）
- 良品学習モデル
- 良品画像のみを用いた Autoencoder / Variational Autoencoder による再構成誤差ベースの異常検知
- Deep SVDD / One-Class SVM などの一クラス分類モデルの適用
- パッチベースの特徴抽出（局所的な傷・汚れ・欠けの検出）
- マルチスケール特徴を用いた微小異常の検知性能向上
- 異常スコアリング・可視化
- 画素単位・パッチ単位の異常スコアマップ生成
- 異常スコアに基づく合否判定ロジック（しきい値設定、面積・強度の組み合わせ）
- 検査結果のヒートマップ表示による「どこがおかしいか」の可視化
- ライン条件・製品仕様に合わせたクラス別しきい値チューニング
- モデル運用・ドメイン適応
- ライン・カメラ変更時の再学習・微調整フロー整備
- 新たに発見された不良サンプルを活用した継続的モデル改善
- ロット・季節・設備状態の変化によるドメインシフトへの対応（データドリフト監視）
- エッジ推論（GPU/CPU）とクラウド学習の役割分担
- 既存検査フローとの連携
- 既存目視検査との併用運用（AI判定＋最終人手確認）
- 検査結果ログ（判定・画像・異常スコア）の蓄積による品質分析
- 既存検査機のNG判定との比較レポート生成（PoC評価用）
HI3の提供価値
良品学習を活用した外観異常検知モデルを導入することで、従来は検査員の経験と集中力に依存していた外観検査を、再現性の高い判定ロジックに置き換えることができる。これにより、
- 見逃し・過検出の抑制による不良流出リスクの低減
- 検査員負荷の軽減と、省人化・自動化への布石
- 判定基準の標準化による品質ばらつきの抑制
といった効果が期待できる。
また、異常箇所をヒートマップとして可視化することで、「なぜNGと判定したのか」を現場が理解しやすくなり、AIに対する受容性を高めることができる。ログとして蓄積された異常スコアやNG画像は、上流工程（設計・加工条件・設備メンテナンス）の改善にも活用でき、単なる検査自動化にとどまらず、製造プロセス全体の品質向上サイクルの起点となる。
結果として、外観検査の自動化・高度化を通じて、品質・コスト・人員の三要素を同時に改善することが可能となり、メーカーとしての競争力強化に直結するAI基盤となる。
