製造業でAI・Deep Learningは使えるか

はじめに

現在、様々な業界でAI（Deep Learning）の利用が広がっていますが、製造業でのＡＩ導入も次々に行われています。

製造業では、外観検査、センサーデータの異常検知や動線分析など様々場面でＡＩが利用されています。

では実際にAIは外観検査に導入できるほどの精度があるのでしょうか？

今回は最もイメージしやすく、現場での需要が大きい外観検査について掘り下げ、製造業でのＡＩ導入について弊社のこれまでの事例を元に詳述させて頂ければと思います。

製造業で外観検査

製造業で外観検査といえば不良品・異品混入検知があります。
不良品については、打こん、割れ、欠け、傷、変形、変色など多岐に渡ります。

これらの不良品・異品混入を検知する手法として、これまでルールベース画像処理技術を用いた検査が用いられてきました。しかし、多様な不良の種類に対応できなかったり、ルール化できない不良、未知の不良への対応など様々な障壁があり、導入できないことがありました。

そこで登場したのがＡＩです。上記で対応できない不良をすべて解決できるわけではないのですが、いくつかＡＩで解決できる問題もでてきました。
今まで検査の自動化をあきらめていた製品でもＡＩを導入することで解決できるかもしれません。

事例紹介

ここからは弊社で実際に取り組んだ内容をご紹介し、実際の精度もお伝えできればと思います。

今回のテーマである「製造業でAIは使えるか」ですが、結論から申しますと、「製造業でAIは使える」です。
もちろん製造現場によって基準があり、細かい課題も出てきますが、製造現場においてＡＩを活用できる可能性は高いと考えています。

弊社の事例で具体的に精度が高かったものは、
・金属部品の打こん、ひび、割れ、印字違い、異品混入の検知
・ボルト製品の異品混入検知
です。

弊社でよく用いるのは検品対象製品の正常画像と異常画像を用意し、学習させるオーソドックスな手法です。

上記の手法で検証した実際のＡＩの精度を参考までご紹介致します。

• 金属部品不良検知①：約10,000枚の画像で検証、精度100%
• 金属部品不良検知②：約4,000枚の画像で検証、精度100%
• 金属部品不良検知③：約2,000枚の画像で検証、10枚の誤判定で精度99.5%
• ボルト異品混入検知①：約40,000枚の画像で検証、６枚の誤判定で精度99.98%
• ボルト異品混入検知②：約45,000枚の画像で検証、３枚の誤判定で精度99.99%
• ボルト異品混入検知③：約48,000枚の画像で検証、１枚の誤判定で精度99.99%
  

このように高精度となっており、クライアントの皆様からも非常に高い評価を受けております。

ただし、ＡＩがすべての外観検査に利用できるかといわれると、そうではなく、様々な要因により導入ができない、できにくい場合があります。

具体的には下記のような課題があります。
・不良品が少なく学習データを集めることが難しい
・立体的な構造で様々な角度から画像を撮る必要があり学習データを集める工数が大き過ぎる

またＡＩの実装は可能なものの、不良品や異品、異物混入を検知した後、それを除去するハードルが高く、ハードウェアの方で実現が難しいものもああります。例えば、製造業ではないのですが、以前、とあるナッツ系の虫食いを検知する課題があったのですが、虫食いナッツの混入が５%前後あり、大量のナッツからそれを見つけたとしても、それをうまく制限時間内で除去する方法がなく断念してしまった案件もありました。

このように、
・ＡＩの学習データを集めることが難しい
・ＡＩ以外の部分で壁が発生する
ことがあり、導入が難しい場合があります。

学習データに関しては、現在数枚でもできるアルゴリズムなども開発されていますが、精度が100%近くだせるものは少なく、製造業などで検査数量も多く、可能な限り無駄な誤判定（正常品を異常品と判定）を省きたい場合にも利用できるのかは難しいところだと思います。

弊社で現在のところ活用ができそうなものは、一方向から写真を撮っても見逃し漏れがないもの、また、裏表があるが容易に反転が可能で撮像漏れがないものです。球体でその一部に不良がでてしまうものなどは見逃しの可能性があるため、ハードウェアを工夫する必要があり、例えば１レーンでの処理になったりするので、処理速度の問題が発生したりし難しい場合も多いです。

以上、製造業におけるＡＩの可能性について述べさせていただきました。
まだまだ対象を選ぶ段階ではありますが、うまく条件さえあえば高精度のＡＩ導入が可能であると思います。

現場でAI（Deep Learning）を作る

上記の条件にあう場合、ルールベースの外観検査に対し、画像を撮ることができれば実装可能なＡＩは、業者に頼ることなく現場で対応できる可能性もあるのでお勧めです。

取り扱う製品が類似しているが多品種に及ぶ場合が最も効果的で、同一のアルゴリズムを用いることができる可能性が高く、現場にて撮像を行い、学習までを行うことができれば、学習済みデータを切り替えるだけで多品種に対応することが可能です。
ＡＩの学習は、指定フォルダに教師画像（正常画像、不良画像）を入れ、学習をスタートするだけです。精度が出ない場合に、細かな設定を調整する必要がありますが、基本的に類似しているものであれば同様の精度が出る可能性が高いです。

現場でＡＩを作成する流れは、少しずつですが始まっておりこれからの新しい流れになると考えています。ゼロから完全に始めることは難しいかと思いますが、まずは業者からのＡＩ導入で小さく始め、その後内製化することで多品種に対応していくことができれば、コストを抑えながら品質管理の改善も進むのではないでしょうか？