AI外観検査に興味はあるけれどその仕組みや判定基準についてはよく分からないという方も多いのではないでしょうか。

AI外観検査についての基礎知識および既存システムとの違いをご紹介します。また、AI 外観検査装置ならではの判断方法（判定基準）についても詳しくご説明します。

AI 外観検査とは？

AI 外観検査（Visual Inspection）とは、部品や製品の品質を維持・保証するために、表面などに付着した異物や汚れ、傷、バリ、欠け、変形などの外観をチェックする検査を、人ではなくAIに判断基準を学習させ、人の代わりに良品なのかそうでないのかを判断させるシステムです。

既存の自動検査装置との違い

これまでの既存の自動検査装置とは違い、キズのサイズが○○mm以上といった不良品の明確な判定値を入力する必要が無いことが特徴です。

その為、明確な判断基準が無くても、AI外観検査を導入することで高精度の検査が可能になる場合もあります。ただし、その為には条件が必要で、必ず前述の結果が得られるわけではありません。条件については「検査装置における画像とカメラの重要性」の記事を参照ください。

そして、不良品の判定条件が極めて明確な場合、既存の自動検査機の方が高精度な検査が可能になる可能性が高いと考えられます。したがって、どういったケースでAI外観検査を導入すべきか事前にしっかり検討することが重要です。

AI外観検査の仕組み

AI外観検査の仕組みは複数ありますが、大まかに以下の三つに分類されます。

1, 「良品」と「不良品」の画像を覚えさせ、検査画像がどちらかに分類されるかAIに判断させる手法

2,「不良品」の画像を覚えさせ、検査画像に「不良品」が存在するか判断させる手法

3,「良品」の画像を覚えさせ、「良品」と判断されない検査画像を「不良品」と分類する手法

各々の手法について、以下で説明します。

1.「良品」と「不良品」の画像を覚えさせ、検査画像がどちらか分類させる手法

仕組みは言葉通り、AIに「良品」「不良品」画像を学習させた上に、AIに新たな画像見せて、その画像は「良品」「不良品」のどちらかに分類されるのかをAIに判断させる、というものです。

不良品の画像を学習させる為には、画像のどの部分が欠陥なのかをAIに理解させる必要があります。具体的には欠陥の箇所に、どういう欠陥なのかというタグを取り付けます。このタグを取り付ける作業を「アノテーション」と呼びます。（アノテーションについてはこちらの記事を参照）

そしてアノテーションを施した「不良品」の画像と、アノテーションを施していない「良品」の画像をAIに学習させます。

AIは新たに検査対象の画像を受け取った場合に、「良品」「不良品」のどちらに属するのか分類します。

この手法では、「打痕」「材料キズ」といった欠陥を複数覚えさせることで「良品」「不良品(打痕)」、「不良品(材料キズ)」といった複数項目に分類することも可能です。

2.「不良品」の画像を覚えさせ、検査画像に「不良品」が存在するか判断する手法

仕組みは、検査画像に「欠陥」があるかどうかを判断し、「欠陥」が検出されれば「不良品」、検出されなければ「良品」と判断する、というものです。

「欠陥」を学習させる方法は、1と同様にアノテーションを施した「不良品」の画像を使用します。1と同様に複数種類の「欠陥」を覚えさせることで復習種類の「欠陥」を検出できます。

シンプルな手法ですが、品質が高い製品を製造する製造現場であればあるほど「不良品」はそれほど多く発生するわけでは無いため、欠陥画像収集が難しいことが課題です。

3.「良品」の画像を覚えさせ、「良品」と判断されない検査画像を「不良品」と判断する手法

仕組みは、検査画像に「良品」の特徴が検出されなければ「不良品」と判断する、というものです。

2の手法では学習させた「欠陥」しか検出できませんが、この手法では想定外の「欠陥」も検出できる可能性があります。

また、「良品」は「不良品」に比べて数が多いので、画像の入手も容易と推測されます。

一見すると欠点がない手法のように見えますが、「不良品」の検出率は高い代わりに、「良品」を「不良品」と判断するケースが多くなる傾向にあり、注意が必要です。

AI外観検査のまとめ

いかがだったでしょうか？

AI外観検査の仕組みと独自の判定基準をご紹介しました。

AI外観検査装置をご検討の方はぜひ参考にしてみてください。