ゼロ学習AIとは？

これ、全て学習せずに検出しています↓

こんな方にオススメ

画像があればすぐにお試し可能です。

◎すぐに試したい方（画像あり・導入予定あり）

OUEN株式会社へお問合せ

＊お申込みが多い場合、実施を調整させて頂く場合がございます。予めご了承ください。

◎検討段階（初めての外観検査・撮像環境がない）

Pixelupへお問合せ

The post 【製造業に朗報】学習なしですぐ検出。ゼロ学習AIで画像検査が変わる！ first appeared on Pixelup.

製造業の現場では、目視検査からルールベースの自動検査装置への移行が進みましたが、そこから一歩先の「データ活用」に進めている現場はまだ一部に限られます。
しかし今、Googleの生成AI「Gemini」を活用すれば、ノーコードで画像分類AIを構築し、工程改善に直結する分析結果を得ることが可能です。

本記事では、従来の検査機から取得したNGデータ（CSV）を用いたAIモデルの構築方法と、分類・可視化のステップについて具体的に解説します。

ルールベース検査の弱点

多くの検査機では「NG」か「OK」かの判定はできても、「なぜNGなのか」までは踏み込めません。
そのため、以下のような課題が残ります。

Gemini＋Pythonで作る画像分類アプリ

そんな課題を解決できるのが今回ご紹介する手法です。
Google Geminiを活用すれば、CSVベースの検査履歴を教師データとしてAIモデルを構築し、分類・解析できるPythonアプリケーションが生成可能です。

以下の2つのモードを持つ構成です。

YouTubeで実演動画を公開中！

処理の流れやプロンプトはYouTubeにて動画公開中！こちらもご参照ください。

現場で得られるメリット

この方法を使うことで、以下のメリットがあります。

不良原因が“見える化”され、現場での打ち手が明確に

従来は「NG」としか判定できなかった画像検査に対し、欠陥の種類まで分類できるようになります。
「汚れ」「キズ」「黒点」など、不良の発生傾向を把握することで、改善ポイントを明確に特定できるようになります。

検査データが「工程改善」に使える情報資産へと変わる

検査履歴CSVはこれまで“記録のためのデータ”でしたが、AIにより分類・可視化できるようになることで、
「どの工程で、どのような不良が増えているか」といったフィードバックループの構築が可能になります。
品質保証部門や生産技術部門が具体的な改善アクションを設計する根拠として活用できます。

人の勘と経験に頼らない、「再現性のある判断基準」の確立

従来はベテラン検査員の感覚に頼っていた分類作業も、AIを用いることで一貫性ある判定が可能になります。
再現性が確保されることで、教育・属人化リスクの軽減や多拠点での検査品質の平準化にもつながります。

コードの公開

YouTubeで実演したコードはこちらからダウンロード可能です。
既存の検査装置からCSVデータを出力できれば、実際に試してみることも可能です。

使い方の補足

• 上記からclassification.pyをダウンロードし、お好みの環境で実行してください。
• 学習モードで「CSV読込」ボタンで、任意のファイルを選択してください。この際、ファイルには条件があります。
• ヘッダー（1行目）にfilepath, x, y, height, widthが含まれていること。順不同OK、他の列が含まれていても問題ありません。

• 画像のパス(filepath)は日本語が入っていると読み込めないかもしれません。英数字のパスにしていただくことをお勧めします。

使い方が分からない場合はどうぞお問い合わせください！

使い方を問い合わせる

The post 「【今すぐ使える】生成AI Geminiで画像検査機をAI化！製造現場の不良データを工程改善に活用する方法 first appeared on Pixelup.

AI・画像検査に使われる産業用カメラも高画素タイプが普及しています。

しかし、高画素＝正義でしょうか？ メーカーから「とりあえず高画素が安心です」という理由だけで、高価なカメラを導入している方も散見されますが本当にそれは正しい選択なのでしょうか。

不必要に高画素カメラを選択すると、コストや処理時間も伸びる傾向になります。 大切なのは最適なカメラを根拠を持って選択できることです。

YouTubeで高画素カメラの必要性を検証した動画をアップしました。ぜひご参考にしてください。

動画のポイント

▼こんな方におすすめ！ 生産技術・品質管理・品質保証・製造部門など

The post 【買わされた？！】高画素カメラは本当に必要なのか？検査に最適な画素数を検証！ first appeared on Pixelup.

省人化によるコストの削減や、見逃し・バラツキなどによる目視検査の課題からAI・画像検査に興味を持っている方は多いと思います。しかし初めてプロジェクトに取り組まれる皆さんはこんなお悩みをお持ちではないでしょうか？

「何から始めたら良いかわからない…」
「ワークはどれだけ集めればいい？」
「他の業務も忙しいため、スムーズにプロジェクトを進めたい。」

本記事では、元画像検査メーカーの技術担当である著者が、AI・画像検査機導入の手順をわかりやすく解説します。 事前準備からメーカーへの問い合わせ・評価のポイント・よくある失敗例まで、AI・画像検査機導入に必要な知識が全て手に入ります。

初めて中小企業で画像検査機を導入する方を始め、生産技術・品質管理/保証・製造に所属されている方はぜひ最後までご覧ください。

事前準備：ワークと情報を整理しよう

スムーズなプロジェクトを進行には、事前準備が非常に重要です。メーカーへ問い合わせてから準備をするのではなく、先に用意をしておくことで初回面談から具体的な提案が受けられるようになりますし、余裕を作ることで複数のメーカーを比較しながら検討することも大切になります。

準備リストを大公開！

私がメーカー技術担当者だった頃、この情報が欲しかった！という内容も含めて紹介します。また準備する項目だけではなく、メーカーがその情報が欲しい理由もまとめておきました。背景も理解頂くことで、準備のスピードと情報の精度も上げて頂けると思います。
さっそく準備リストを見てみましょう。

ワークのサイズ

例：縦・横・高さ・直径など
ワークのサイズを知ることで、撮像範囲やカメラ位置などを机上計算で算出でき、光学条件の選定に役立ちます。また、ワークのサイズが分かると搬送条件をイメージすることにもつながります。
外観写真と図面を用意できればメーカーは非常に分かりやすいです。（不要な情報は削除して問題ありません。）
検証段階ではポンチ絵で手書きでもいいですが、設備製作時には図面が必要です。

材質

例：アルミ・SUS・鉄・樹脂…など。
搬送条件の参考にします。（傷がつきやすいか？重量のイメージなど）

ワーク表面の状態

例：
・メッキムラがある
・洗浄工程後の為、きれいな状態
・防錆油が付着している
光を照射した際の反射をイメージする為に必要です。写真があるとより分かりやすいですね。特に防錆油などの液体が付着しているかどうかで、検査難易度も大きく変わってきます。

検査項目

例：
黒点：Φ0.3mm～
傷：長さ1mm以上　など
主にカメラの画素数や台数選定に必要です。特に最小欠陥サイズが画素数の基準になるため重要となります。
NG基準がない場合は、現在NGとして除外しているものの欠陥サイズを顕微鏡などで計測しておくと良いです。

品種数

形状違い・色違いなどで何品種が対象としたいのかをまとめましょう。あまり大きさや形状が違いすぎる場合は、検査システムとして兼用が難しい場合があります。
どんな品種でも検査できる装置を求めすぎると、運用やコストの面で実現性がなくプロジェクトが頓挫することになるので注意しましょう。

検査員の人数、シフト

特に省人化効果を狙う場合など、投資対効果の算出に必要です。

生産数

検査装置の処理能力の計算に必要です。シフト数の情報と合わせて考慮されます。
例えば、検査工程は1シフトのみの稼働であっても、工場全体は2シフトであればメーカーは検査も2シフトにすることをユーザーに打診する場合があります。なぜなら、検査機が2シフトで稼働できれば処理能力は1シフト時の半分となるため、コストを抑えやすくなるからです。

環境

コンタミや粉塵の付着により誤判定が発生するか確認します。または周囲の機器から振動が出ていないかも重要です。撮像時に振動があると画像にブレが生じ、検査に影響がでる場合があるからです。

目視検査の要領

目視検査の要領が画像検査においても参考になります。（どの様な光の当たり方、視点で観察しているか。）
卓上型の検査装置を検討している場合は、メーカー側は取り出し・収納も含めた一連の動作を見ることで効率的な検査方法や運用を提案しやすくなります。

導入の目的

例：
・省人化による検査コスト削減
・うっかりミスによる重大NG流出を防止など
例えば、重大NGの流出防止であれば、全自動ではなく半自動でも対応可能などと提案の幅を広げやすくなります。

予算

提案時の目安にします。メーカーは予算が分からないと提案しにくく、お互いに時間のロスになります。目安程度は伝えることを推奨します。
価格イメージが分からない場合は下記を参考にしてください。

スケジュール

いつまでに導入すべきなのか？
新プロダクトで、生産開始スケジュールが決まっていれば伝えておくと、プロジェクト進行速度も考慮してくれる。（時間がなく、進捗やプロセスを短縮しすぎないように注意！）

ワークの用意：NGは段階的に用意することをお勧め

メーカーにてテストするためにはワークが必要です。ワークは欠陥や部位によって集めておく必要があります。

NGワーク

NGは欠陥の程度に応じて、4グループで集めておくと良いでしょう。

検査装置としては、傷や汚れでも限度OKを検出できる仕様で選定されます。限度NGが検出できる仕様に合わせてしまうと、感度調整の余裕度がなくなってしまうからです。そのため、限度OKが検出できるレベルから調整段階で検査感度を緩くし、OKとNGが分別できるレベルに調整します。
また、OKとNGがどこまで区別できるかの確認のためにも、限度OK/NGの両方を用意することをお勧めしています。

全ての欠陥が検出可能とも限らないため、どのレベルまでなら検出できるかを確認するために、通常レベル・大きめも含めたNGを用意しましょう。
急にNGが集めることも難しいため、日頃からNGワークは収集しておくことがおすすめです。

また、欠陥位置がどこにあるかを図示しておくとメーカーは分かりやすいです。
私も経験がありますが、渡されたサンプルの中でどこに欠陥があるのかわからず、検証に余計に時間がかかることがあります。最悪、検出した場所が見当はずれでメーカー・ユーザー共に時間を浪費するケースも少なくありません。

ワークをナンバリングの上、リストを作り写真で欠陥位置を示すのが最も良い方法です。

ワークにペンで直接マークする場合もありますが、AIで学習する際にマークの影響を受ける場合もあるため出来れば避けましょう。

OKワーク

OKワークは最低でも5個以上あった方がいいでしょう。OK品でもロットによってバラつきが生じることがあります。バラつきがあっても安定した検出が可能かどうかを判断する必要があります。そのため可能な限りロットが違うものを混ぜて用意しておくことが理想です。

AI外観検査の場合、良品・不良品でそれぞれ数十～100枚前後の画像を使い学習するケースが多いようです。（良品画像のみを使った学習方法もあります。）特にNG画像はそれほど多くワークが用意できないことも想定されます。その場合は取得済みのNG画像から、新たなNG画像を生成するサービスも検討してよいと思います。

また、メーカーにもよりますが検証には費用がかかる場合があります。

そもそも画像検査をする必要はあるのか？

画像検査は万能ではなく、全ての検査項目を検出しようとした結果、コストやタクトが間に合わずに断念するケースが後を断ちません。検討前に、画像検査にする必要があるのか？他の工程で対応することはできないかを検討し、最後に残ったもののみを画像検査の対象とすることをお勧めいたします。

また、検討を進める段階で、「この欠陥も検査できないの？」「どうせ導入するなら、いろんな検査が出来た方がいい！」と社内の上長や関係部門からも指摘が入り検討した結果、コストが増えすぎる・検討時間がかかりすぎる状況となり、プロジェクトが頓挫することに…。決して珍しい話ではありません。

画像処理・AIメーカーに問合せする

ワークの準備が出来たら、いよいよ画像処理・AIメーカーへ問合せしましょう。
一言で画像処理・AIメーカーと言っても、その商品やサービス提供の方法は各社により異なります。
以下に代表的なパターンを掲載します。

メーカーの形態

1.PCパッケージソフト

・汎用PCにインストールして使うタイプ。
・お試しや小規模な設備向け。

2.画像センサ

・レンズ・カメラ・画像処理部分が一体になって、手のひらにのるサイズ感のものが多い。
・計測や有り無し、文字読取りまたは難易度が低めな外観検査(分かりやすい打痕・汚れなど)。

3.汎用画像処理

・比較的なんでも出来る。
・難易度が高めな外観検査。
・専用検査装置を作る場合は、汎用画像処理を用いて構成する場合が多い。
・AIを使える・使えないかが分かれるので確認。

4.AIソフトメーカー

・ソフトのみや筐体含めた提供など、様々な形態がある。
提供範囲を確認しておく。

5.画像検査システム

・画像からシステムまで一貫して対応してくれる。
・全部任せられるため、評価・管理工数も減り責任所在が明確。

6.その他

・産業PCを使い、カスタムするケースもある。

一概に正解はなく、みなさんの予算や考え方にあったメーカーを選べばよいと思いますが、導入時のリスク低減やコストの最適化のため、2～3社は比較することを推奨します。

また、コストや機能で比較することも重要ですが、担当者や企業の経験値も非常に重要です。画像検査は撮像技術やアルゴリズムが重要視されがちですが、その使い方は多岐に渡るため使いこなせるだけの知識を担当者が持っているかどうか、またワーク特有の特性やバラツキに応じて装置側や環境面の対策も必要になるなど、経験値が成功可否を握っていると言っても過言ではありません。

担当者の経験値を見極めるポイントは、「担当者から製品と現場への質問があるか？」です。

「現場では搬送時にこんなバラつきが出ませんか？」
「他のお客様ではロット違いでこんな現象がありましたが、貴社ではどうですか？」

経験値がある担当者はどんどん上記のような質問をしてきます。そのような方が見つかった際は安心できると思います。

評価時のポイント

画像処理・AIメーカーにて事前テスト及びレポートを提出されると思いますが、その際に抑えておくポイントは3つあります。

レポートの確認

各欠陥に対し、〇△で評価がついていたり「検出可能です」のコメントがついているはずですが、それだけではなく「何の指標がどのくらいの値であるか、またOKとNGとの差」を確認して下さい。例えば、「黒点NGレベルの面積値が90画素、OKレベルは30画素」などです。
具体的な値とOK・NGレベルの差を確認することで、主観ではなく客観的な検出能力を判断することが可能です。また同じワークを複数回確認した際、どの程度その値がばらつくかも確認できればベストです。

デモに立ち会う

初回の評価で複数のメーカーを比較した後、1社を選定して2回目の評価に移りましょう。
この時、検証だけではなく「立ち合いデモ」を依頼してください。
目的は画像検査の理解を深めることです。画像検査に過度な期待を持ち過ぎ、「この欠陥が検出できるなら、別の欠陥も検出できるはず」と考えた結果、期待した検出性能に到達しない場合もあります。メーカー担当者には光学条件の意図や検出アルゴリズムについても質問してみましょう。可能であれば、ワークの位置をずらしたり傾きを加えた際に検査にどのような影響が出るか試してください。撮像時の注意点の理解も深まるはずです。

並行して設備構想

検証時と実際の設備とで条件の差異を減らすことが導入時のリスクを減らすことにつながります。特に二回目の立ち合いデモをする際は70～80％は装置構想を固めておきたいところです。
例えば、
・撮像時はチャックしているか開放か？
　AI学習への影響や背景の見え方・反射条件に差が出てくる。
・搬送速度を想定したシャッター速度に設定する。
　明るさが足りているかの確認する。

などのように装置構想により光学機器や検査能力への影響が生じるため、1回目の検討を経て装置構想は並行して検討することをお勧めいたします。

まとめ

いかがだったでしょうか。
画像検査装置は正しい手順で進めれば、時間とコストのリスクを減らしながら導入することが可能です。ぜひこの記事を参考にしながら、円滑にプロジェクトを進めてください。

提案実績580件の画像検査のプロがサポート

Pixelupでは初めて画像検査の導入を目指すユーザーをサポートしています。

• 画像検査の基礎が分からない
• メーカーが多過ぎてどこがいいのかわからない
• どのようにシステム化したらいいんだろう？

このようにお悩みの方は御気軽に御相談ください。
メーカーではなく、第三者の立場から画像検査のプロが検査装置導入をサポートいたします。

貴社へお伺いし、現場診断＋御提案も承っております。お申し込みは下記リンクよりお気軽にご連絡ください。

The post 【完全版】失敗しない画像検査機の導入手順を徹底解説！ first appeared on Pixelup.

段階的な自動化の重要性

検査の自動化工程設計は、コスト・リスク・効果のバランスが非常に難しい分野です。

画像検査はワークが立体的であれば様々な方向から撮像する必要も生じ、欠陥の種類により同じ撮像方向でも照明の当て方を変える必要も出てきます。

経験値がない中で全ての欠陥・全ての部位を一気に自動化することは、成功時のリターンが大きいものの、それ以上のリスクが生じます。

大手企業ではその技術力や資金力から、一度に全ての検査項目に対応するケースも見受けられますが、多くの中小企業ではそのような導入方法は真似できません。

そこで有効な解決策となるのが、段階的・部分的な検査自動化です。

例えば、部分的に検査を自動化を実施することで検査時間が40％も低減されるケースも報告されています。経済産業省がリリースしたAI導入ガイドブックにも実績例が記載されています。

ぜひ、段階的・部分的な検査自動化の考え方を理解し、利益を確保できる企業体質を作り上げましょう。

3つの考え方

段階的・部分的な検査自動化を進めるための考え方は以下の3つです。

順に解説します。

1．部位毎の目視検査時間

検査工程の中で、最も時間がかかっている部分に焦点を当て、自動化を検討します。例えば、ギア検査をイメージしてみましょう。

目視検査工程としては以下の流れが想定されます。

1. 取り出し：5秒
2. 表面検査：3秒
3. 裏面検査：3秒
4. 外周検査：20秒
5. 排出（OK・NG振り分け）：5秒

合計：36秒掛かっていることになります。

この中では、外周面：20秒が最も時間がかかっている工程です。
ここを画像検査に置き換えるとどうでしょうか？

私の経験ではギアの外周検査は回転・画像処理の時間も含めて3～5秒程度で完了できました。（Φ120ｍｍ程度）
その経験を元に試算すると、下記のようになります。

①ワークをトレイから取り出す。（5秒）
検査ステージには既に検査済みワークが乗っている状態。

②表面の目視検査（3秒）

③裏面の目視検査（3秒）

④ワークの入れ替え（3秒）

⑤目視検査済みワークを検査装置で外周面を検査（５秒）。
その間、検査済みワークを別トレイへ移動。（５秒）
それぞれの作業はオーバーラップしている。

①へ戻る。

この想定では合計19秒で運用できる見込みのため、作業工数が47％減できる見込みです。これは検査員を半減できる可能性を意味します。

ポイントは

• 外周部の検査時間が20秒→5秒に短縮できたこと。
• 外周部を検査している間に、他の工程（上図では収納）を進められること。

段階的に自動化を進めるのであれば、下記のように検討することもできそうです。

1. 外周部の検査
2. 取り出し・排出の自動化
3. 両端検査の自動化　→　【自動化の完成】

検査時間が短縮できれば、省人化効果があるため最も手を付けやすく考えやすい方法だと思います。

また、現状の目視検査時間については、事前に作業者工程分析が必要です。その際はベテラン・中堅・初心者など熟練度別で分析することで、より効果を見極めやすくなります。

2．欠陥の重要度

製品の機能や役割に影響を与える重要な欠陥のみを自動化対象とします。

多くの場合、欠陥はレベル（重要・軽微）などで分類されています。または欠陥が製品の機能や役割に影響を及ぼすのか、または機能には問題なく外観の問題だけか？といった判断も加わります。

この場合、まずは重要度が高いものや機能に影響を及ぼす欠陥のみ進めるのも効果的な手段です。

どちらの検査項目も一緒に検査できるのでは？と思う方も多いと思いますが、欠陥によっては同じ部位でも照明条件を変更しなければ検出できないケースがあります。この場合はタクトやコストが増加するため、まずは重要度が高い欠陥を検出することが考えられます。

3．中心視と周辺視

中心視で検査している部分を自動化することで、検査時間の短縮と検査員の疲労軽減を実現します。

目視で検査する場合、その手法は大きく中心視と周辺視に分かれます。

• 中心視
  • 意識を検査部位に集中して見る（凝視する）。
• 周辺視
  • ぼんやりと全体を俯瞰的に見る。

特に中心視は神経を集中させ検査し、疲労が溜まりやすい傾向があります。この中心視で検査している部分を自動化するという考え方です。検査時間全体の短縮の他、目視検査員の疲労や精神的負荷を軽減する効果も見込めます。

プロジェクトの進め方

どの部位・欠陥に画像検査を適用するか決まった後は、技術的な実現性とコストも含めて判断する必要がありますが、メーカーへ問い合わせる前に、事前に自社でおおよその方向性を決めることを推奨します。

方向性が決まらないままメーカーに相談されると、最初に問い合わせたメーカーの提案がベースになることが多くあります。この場合、下記の状況が起こり得ます。

• ユーザー側担当者も忙しいため、1社のみで検討を進める。
  • 比較検討が甘く、コストとリスクが最適化されない。
• 他社へも相談する。
  • 1社目の提案がベースになり、その内容をそのまま他社へ流してしまう。マナーとしても気持ちが引ける。

自社である程度方向性をつけてから、数社に依頼することでよりよい提案を頂けるメーカーを余裕を持って判断することができます。

Pixelupが御提案できること

Pixelupではメーカーへ問い合わせる前に、自社で自動化工程設計が出来ていることを理想とし、推奨しています。ただし、画像検査プロジェクトの導入経験が少ない企業では判断が難しいことも多いでしょう。

Pixelupでは以下のサポートが可能です。

• 部分的・段階的な検査の実現性を、技術的な見解とおおよそのコスト感にてアドバイスします。
• 画像技術の基礎も合わせてお伝えします。メーカーからの提案や技術力が理解できます。
• 検査内容やプロジェクトにあったメーカーをご紹介します。

まとめ

現在、特に地方の中小企業では目視検査員が集まらないことも大きな課題となっています。画像検査システムを導入し、対応しなければならないケースも増えていますが、省人化効果だけの期待だけでは各工程を自動化することは難しい場合もあります。そのようなケースはより慎重に投資を検討する必要があります。

今回の段階的・部分的な画像検査の進め方をご理解いただき、リスクを減らして導入を進めていきましょう。

The post 検査工程設計の悩みを解決！失敗しない段階的な検査自動化 first appeared on Pixelup.

AIや新たな撮像技術がリリースされても、まだまだ簡単には行かないのが外観検査プロジェクト。みなさんはこんなお悩みはありませんか？

「検査機の導入を検討しているが、効果が得られるのか不安・・・。」
「改善はしたいが、検査機に大きな投資は出来ない。」
「画像検査の有効性を長期的に検証し、導入のリスクを抑えたい。」

今回はこれらのお悩みを解決する1案をお届けします。
それは「まずはカメラを設置し、全ワークを撮像する」こと。
いきなり自動化せず、画像保存するだけです。

この提案を実施することで、ローコストに品質改善しながら効率的に画像検査機の導入を進めることが可能です。目視検査と外観検査機の中間案として、品質管理のジレンマを抱える方々に注目され始めています。

活用方法とメリット

画像検査は、画像処理機と周辺機器だけでも1セットで100〜300万円かかり、設備化すればゆうに数千万円のコストがかかります。（画像センサは100万円を切るものもありますが、ここではより難易度の高い外観検査を対象として記述します。）
コストと能力のバランスで、なかなか導入に踏み切れないユーザーは少なくありません。そのようなユーザーの中には、目視検査だけ続けていても将来は成り立たないと考え、画像検査機の導入を検討しているものの、コストの高さに躊躇している方もいます。

このようなユーザーの悩みを解決するのが、今回の御提案「全ワークの画像保存」です。

「画像保存だけして、何の役に立つのか？」「リアルタイムでNG排出が出来ないと意味ないのでは？」という疑問もあるかもしれません。実は保存された画像には以下の3つの活用方法があります。

この活用方法を一言にすると、
「ローコストで目視検査に頼る現状を変える」ことです。

順に解説していきます。

前提：画像処理はリアルタイムでなくてもいい

まず、この提案に重要なことをお伝えします。
通常、画像検査機では画像処理をリアルタイムに行いNG排出することが必要です。そのため、画像検査機に必要なハードウェアやソフトウェアのコストが高くなる傾向でした。しかし、今回の提案は「オフラインで画像処理を行う」と割り切った考え方が前提となります。オフラインで画像処理を行うことで、以下のメリットがあります。

• このコンセプトにはメカや大がかりな制御はなく、カメラを設置するだけ。そもそもイニシャルコストが安い。
• 画像処理に必要なハードウェアやソフトウェアのコストが低減できる。例えば、PCも一般的なスペックで十分に処理が可能。
• AIなど比較的処理時間がかかるプログラムも適応可能。その結果、分類機能も追加しやすい。

これが「ローコストで効率的」であることの根拠です。

話を活用方法とメリットに戻しましょう。

活用方法①：工程改善

オフラインだとしても、画像処理によって欠陥の種類や発生率などの解析は可能です。

発生した欠陥の様子やその数値データを得られれば、各工程へフィードバックをかけ、欠陥そのものを減らす活動にスムーズにつなげることができます。つまり、NG排出によって流出を防ぐのではなく、画像を起点として工程全体を最適化・改善させるという考え方です。NG排出はあくまでも手段の1つに過ぎません。

大きなコストをかけずに着手できる、まさに自動化と目視検査の中間的な手法と言えます。

活用方法②：エビデンス化

全てのワークを撮像することで、残された画像は品質保証やトラブル対応などに活用することが出来ます。

例えば、納入先のお客様から品質の問合せがあったとします。
納入した製品に傷がついていたと言われた貴社は「ウチで付いた傷ではないのではないか？」と思うこともあるでしょう。
ただし、それを証明するのは容易ではありません。自社・取引先の双方で膨大な時間をかけて調査を進めることになります。
ただし、画像が残っていれば取引先にも明示でき、お互いが時間の短縮になるため双方にメリットがあります。

確認する際には下記の条件を満たす必要があります。

• 欠陥が画像で認識できるレベルであること。
• 画像データを一定期間保存しておけること。

活用方法③：自動化判断

画像検査機の検討の際、品質保証担当にとって最も重要なのは「検査能力の高さと安定性」です。数千万円をかけて発注した検査装置が失敗することは必ず避けなければなりません。そのようなリスクを下げるために、中・長期的に評価することは有効な手段です。

通常、画像処理メーカーに依頼すればデモ機は貸してもらえますが、それは2週間程度です。中・長期的に評価するには十分な時間ではありません。そこで、カメラ・照明など必要最低限の機材を購入する必要はありますが、実ラインで中・長期的に評価できれば、リスクを下げられるメリットがあります。これらの初期費用は通常の画像処理機と比べれば圧倒的に安価です。

数カ月において評価・解析を進めていく中で、検査能力や課題も見えてくるはずです。その結果を踏まえて、検査機の仕様やコストを検討することは非常に合理的と言えるでしょう。この段階でメーカーへデモ機を借りるのは良い選択肢です。自動化に向け、より具体的な処理時間や検出能力を確認することができます。

導入・運用が難しそう・・・？

ここまでが活用方法とそれらのメリットです。ただし、疑問や不安を感じた方がいるかもしれません。

「光学条件の作り方がわからない」
「１日に数万枚ある画像の中から、目的の画像を見つけることは難しいのでは…」
「自社で解析することはできない…」

これらの運用面の課題はPixelupにてサポートプランを用意しております。

光学条件の構築からインストールも対応。また画像から欠陥を分類しそれらの検索も容易に実現するフレームワークもご用意しており、安心して導入頂くことができます。

画像検索については一例を動画でお見せします。

より具体的な方法や、欠陥の分類やレベルから画像検索する様子は打合せにてお見せすることが可能です。

どのような現場が導入しやすいのか？

カメラを取付け、画像を保存するだけでもメリットがありそうなことはわかってきたと思います。ただ、「うちの現場に取付できるのか・・？」と疑問を持つ方も多いでしょう。
カメラを取付け易い環境は以下が考えられます。

コンベア上でワークが搬送されている。

搬送されているワークの上・または横から撮像することは比較的容易です。

マニュアルでの組立ライン

スイッチやセンサを追加し、組立中の各工程を撮像することが可能です。

加工機・組立機に組み込み

既に稼働中の設備の中にカメラをインストールします。既にPLCが組み込まれており、制御面ではトリガ信号を入力するだけです。

もちろん、他の環境・工程でもカメラは取付は可能です。ご相談いただければ、具体的な方法を御提案いたします。

Pixelupの提供するサービス・サポートプラン

「全ワークの画像保存」をみなさんが導入・運用できるよう、Pixelupでは下記のプランをご用意しています。

シンプルプラン

初期導入に必要なことをまとめて対応
・光学条件の検討
・カメラ・照明などの機材ご提供
・治具手配及び現場へのインストール

アドバンスプラン

撮像した画像の運用全般をサポート
・欠陥検出及び分類（ルールベース・AI）プログラム
・ディープラーニング用モデル作成
・画像・結果の可視化

オールプラン

自動化まで含めた全面サポート
・設備のコンセプト・仕様取りまとめ
・画像処理・AIメーカーの選定
・プロジェクトマネジメント
・立上げ・納入後の運用支援

＊欠陥モードの数や撮像箇所に応じて、見積価格は変動いたします。

また、各プランは柔軟にアレンジが可能です。

例えばシンプルプランにおいて、既にカメラをお持ちであれば光学条件や取付のみを支援することも可能です。

まとめ

改めて画像だけ撮像する場合の活用方法とメリットをまとめましょう。

この活用方法を一言にすると、
「ローコストで目視検査に頼る現状を変える」ことです。

この方法で、リスクを減らしながら品質改善・画像検査機の導入を進めれば、検査工程が抱える様々な課題をクリアしていけるはずです。

お問い合わせ

「全ワークを画像保存」するこの御提案、いかがでしたでしょうか。品質保証担当者のみなさん、ぜひ取り入れてみてください。
画像やデータの可視化まで実現できれば、改善はもちろん社内の品質に関する意識やDXリテラシーも向上するでしょう。運用は各項目でPixelupが全面サポートいたします。

各プランの費用について、お客様のワークや欠陥・ご要求に応じて変動するため固定価格は設定していません。ぜひ下記フォームよりお問い合わせください。

情報共有用のリーフレットはダウンロードページからPDFにてダウンロード可能です。

また、リソースの都合上、お申し込みが多い場合はお待ちいただくこともございます。ぜひお早目のお問い合わせをお待ちしております。

The post 検査機の導入に踏み切れない品質保証担当必見。ローコストなのに効果が大きいカメラ活用方法！ first appeared on Pixelup.