高速ラインへのAI外観検査導入では、良品と不良品を画像で見分ける精度だけでは足りません。流れている個体を適切な位置で撮影し、判定結果をその個体に結び付け、排出機構が到着する時刻までにPLCへ渡す必要があります。タイ工場で全数検査の自動化を検討する製造・品質・設備担当者に向け、ライン速度から撮像、推論、追跡、排出、FAT/SATまでを一つの工程として設計する方法を説明します。
高速ラインの画像検査で先に決めるべきこと
停止した製品の写真を後から判定する実験と、連続搬送中の製品を取り違えず排出する生産設備は、成立条件が違います。前者では画像を撮り直せますが、後者では一度通過した個体を待たせられません。製品が密に並ぶラインでは、判定が正しくても排出信号が一個分ずれるだけで良品を捨て、不良品を通してしまいます。したがって設備の受入条件は「AIの正解率」一つではなく、撮像可能率、判定遅延の分布、個体対応率、排出成功率、誤排出率を含めます。
最初の現場調査では、製品の最大・最小ピッチ、速度と加減速、姿勢のばらつき、表面の反射、許容できる停止、既存PLCの空き入出力、カメラから排出位置までの距離を記録します。品質側では、何を不良と呼ぶかを写真と現物で定義します。欠陥の最小寸法、位置、色、深さ、ラベルのずれなどを分け、許容限界に近いサンプルも集めます。稼働率と検査品質を両立させる議論は、この現物とライン条件を共有してから始めます。
既存のAI外観検査の概要記事は活用領域を俯瞰しています。本稿はその次の段階として、流れているワークの撮像から排出までの時間・位置合わせに焦点を当てます。全数検査自動化の記事で扱う検査工程全体の設計とも接続します。
製品間隔から時間予算を逆算する
カメラ、AI、PLCの製品カタログを比較する前に、設備が使える時間を計算します。ライン速度を毎秒 (v) mm、隣り合う製品の先端間隔を (p) mm とすれば、同じ位置を次の製品が通るまでの時間は概ね (p/v) 秒です。たとえば速度とピッチから得た時間が短くても、それを丸ごと推論に使えるわけではありません。露光、画像転送、前処理、推論、結果伝送、PLCのスキャン、排出機構の動作に時間が必要です。これは設計式の説明であり、特定のタイ工場に適用できる標準値を示すものではありません。
撮像位置から排出位置までの搬送距離を (d) mm とすると、一定速度なら到達までの時間は概ね (d/v) 秒です。実際には速度変動、ベルト滑り、搬送物の姿勢変化、トリガーのジッター、ネットワーク遅延があるため、平均値ではなく最悪側の分布と安全余裕を見る必要があります。カメラを増やした結果、画像処理の待ち行列が伸びることもあります。速度を最大にしたとき、複数欠陥が連続したとき、画像保存が重なったときの遅延を測ります。
「毎分何個を処理できる」と「指定した個体を確実に排出できる」は別の性能です。見積依頼には、最大ライン速度、製品間隔の範囲、排出位置、許容ジッター、停止・再起動時の挙動を記載し、候補装置に画像取得から排出までの時系列を提示してもらいます。
トリガーとエンコーダーをどう使い分けるか
エリアカメラは所定位置に製品が来たことを光電センサーなどで検知し、短い露光で一枚または複数枚を撮ります。一定間隔の製品ではトリガー遅延と照明ストロボを合わせれば撮影位置を安定させられます。ただし検知センサーが容器の透明部、反射面、穴に反応するとトリガーが欠けたり二重になったりします。欠品、重なり、姿勢の乱れを含む現物で検知の再現性を確かめます。
ベルトの速度が変わる場合、時刻だけで排出先を追うと位置誤差が積み重なります。エンコーダーから搬送量を取得し、撮像イベントに位置カウントを付け、排出機構の位置に達したときに動作させる設計が候補になります。エンコーダーが測っている軸と製品が実際に動く面に滑りがある場合は、カウントが真の製品位置を示すとは限りません。取り付け位置と滑り条件を現場で確認し、必要なら下流の確認センサーで位置を再同期します。
Omron FHシリーズの仕様表には、対象コントローラーでのエンコーダー入力やEtherNet/IP、PROFINETなどの外部インターフェースが記載されています。一方で、同じシリーズ内でもコントローラーによってエンコーダー入力の有無が異なります。型式を確定せずに「FHシリーズなら対応」と判断するのは危険です。Omronの機能説明は複数タイミングのトリガーや画像処理の並列化を紹介していますが、実際の処理能力はカメラ構成、検査内容、設定で検証します。
エリアスキャンとラインスキャンの選択
対象が個別の容器、部品、パッケージで、一度に必要な面が画角に入るならエリアスキャンが構成を簡潔にできる場合があります。巻材、フィルム、布、長尺ワークのように連続した面を流しながら見る場合は、ラインスキャンを検討します。ラインスキャンでは搬送の進みに合わせて細い画像列を積み上げるため、搬送量と撮像の同期が画素の縦横比や欠陥位置に直結します。速度が変わる工程で固定時間間隔だけで撮ると、同じ欠陥が伸びたり縮んだり見えることがあります。
BaslerのTDIラインスキャン解説は、移動対象からの光を複数段で積算して感度を高める仕組みを説明しています。TDIは暗い対象や高速搬送の選択肢になり得ますが、搬送と撮像の同期が崩れると利点が損なわれます。一般のラインスキャン、TDI、エリアカメラのどれが適切かは、必要解像度、照明空間、搬送速度、欠陥の方向を使って現物で比較します。
カメラ画素数を増やしても、必要な欠陥が見えるとは限りません。視野全体に対する欠陥寸法の画素数、レンズの解像力、被写界深度、露光中の移動量を一緒に評価します。斜めからの反射で見える傷もあれば、拡散照明の方が見える汚れもあります。透明包装や光沢金属では照明角度を変えて複数画像を試し、判定モデルに無理に補わせないことが重要です。
照明・露光・治具がモデル精度を決める
AIモデルが見ているのは欠陥そのものではなく、カメラと照明が作った画像です。周囲光や機械の振動、ワークの高さ、レンズ汚れが変われば、同じ良品でも入力画像が変わります。導入前に、不良見本の収集だけでなく、良品が一日の中でどう写るかを調べます。始業直後と設備が温まった後、材料ロットが変わった後、清掃直後を含めると、誤検出の主因がモデルか撮像条件かを分けやすくなります。
露光時間を短くすれば動体ぶれを抑えやすい一方、光量不足とノイズが増えます。高出力の照明だけで解決しようとすると反射や発熱が問題になります。ストロボ照明、拡散板、偏光、遮光フード、搬送ガイドなどを欠陥の見え方と安全条件に合わせて組み合わせます。製品の姿勢を機械的に整えるだけで、モデルの学習に必要なばらつきを大きく減らせることがあります。
撮像条件はレシピとして版管理します。カメラ、レンズ、露光、ゲイン、照明電流、ストロボのタイミング、判定領域、モデル版を一組にし、いつ変更したかを記録します。製品切替時にモデルだけが切り替わり照明レシピが古いまま残ると、精度劣化を追いにくくなります。設備保全がレンズ清掃や照明交換を行ったときにも、基準画像で再確認する手順を用意します。
インラインAI検査の遅延を分解して測る
「推論時間20ミリ秒」という表示だけで、設備全体が20ミリ秒で応答するわけではありません。撮影トリガーから結果がPLCの判断に使えるまでの遅延を、露光、画像読み出し、転送、前処理、AI推論、後処理、通信、PLCスキャンに分けて測ります。複数カメラを同じ計算機で使う場合は、同時到着時の待ち行列も含めます。保存画像の圧縮やクラウド転送は、リアルタイム判定経路と分離した方が遅延を安定させやすい場合があります。
測定値は平均だけでなく上位分位点、最大値、測定中のライン条件を残します。たとえば普段は余裕があっても、連続不良画像の保存、レシピ切替、ネットワーク再接続時に短い遅延が発生します。どこまでを稼働中の正常条件と見なし、どこから設備を停止・警報にするかを決めておきます。タイムアウト時に無判定の個体を通すのか、排出するのか、ラインを止めるのかは、製品リスクと追跡可能性によって異なります。品質部門と設備部門が一緒に決めるべき運用条件です。
SiemensとP&GのAI品質検査導入発表では、産業用エッジで検査結果を処理し、PLCと連携して高速ラインの単品排出に対応する事例が紹介されています。これは同社らの実装事例であり、任意のAIモデルを追加すれば同じ応答が得られるという意味ではありません。
製品IDと判定結果を一対一に保つ
撮影した順番だけで製品を識別していると、トリガー抜け、二重撮影、製品の合流、排出後の空間によって番号がずれます。検査イベントに製品IDを割り当てる方法を決め、少なくともトリガー時刻、エンコーダーカウント、ライン番号、レシピ版、画像ID、判定、排出要求、排出確認を同じ記録に結び付けます。製品に印字されたシリアルが無い場合でも、ライン内だけで通用する一時IDを採番できます。そのIDがどの条件で失効するかも必要です。
複数の検査ステーションを通す場合、各ステーションで別々に「何番目」を数えると、途中の抜き取りや手動介入で不一致になります。上流で付けたIDを引き継ぐか、位置と読取情報で再照合します。バーコードや印字の読み取り自体が失敗したときは、画像判定結果だけが孤立しないよう「ID不明」の扱いを決めます。搬送品の物理位置とデータの紐付けを工程図に示し、分岐・合流を越えるたびに確認します。
ログには単なる「OK/NG」だけでなく、モデル版、信頼度またはスコア、判定閾値、欠陥クラス、画像参照、PLCへ渡した時刻を残すと、後で原因を追えます。ただし、スコアはモデルやクラスが変われば意味が変わるため、異なる版の値をそのまま比較しません。保存期間と個人情報・機密情報の扱いは製品画像の内容に合わせて決めます。
カメラから排出ステーションまでの状態遷移を決める
実装時は、一個の製品が「未検知→トリガー済み→画像取得済み→判定済み→排出待ち→排出確認済み」という状態を進む図を作ります。各状態に期限を付け、期限が切れたときに次へ進めるか隔離するかを定めます。画像取得失敗を良品判定と同じ空欄で表すと、PLCが何も知らないまま製品を通してしまいます。判定結果のメッセージにはシーケンス番号を付け、重複受信は二度排出しない、欠番は警報にするなど、ハンドシェークの条件を決めます。
カメラと排出位置の間に複数個が同時に存在するなら、PLCまたはエッジ側に順序付きキューが必要です。キューが満杯になったとき、古い結果を上書きしてはいけません。ライン停止、供給停止、未判定品の隔離など、製品リスクに合う動作へ移します。結果を返す通信が復旧したときも、排出位置を通過済みの古い判定を実行しないよう、製品IDと有効な位置範囲で確認します。どちらの装置が最終的な排出権限を持つかを仕様書に一行で書いておくと、復旧時の責任が曖昧になりません。
速度変更と製品切替時の境界を扱う
一定速度のタイマーで排出を予約している場合、加速・減速中は予定時刻がずれます。エンコーダー基準にする場合でも、トリガー後に製品が手で移動されたり搬送が逆転したりすると位置追跡は崩れます。速度変更の前後に同時にライン上にある製品をどう扱うか、停止時にキューを保持するか破棄するか、再起動時に最初の何個を確認対象にするかを定めます。最悪条件を決めてからPLCの試験プログラムに落とし込みます。
レシピ切替時は、旧レシピで撮影した製品がまだカメラと排出位置の間に残っていることがあります。モデルと閾値を瞬時に切り替えても、旧製品の未完了判定を新製品の判定として扱ってはいけません。製品IDにレシピ版を添え、切替点の前後をキュー上で区別します。製品混在が許されない工程なら、切替時にライン上の製品を排出または空にしてから新レシピへ移る方が明確です。工程の実態によって最適な方法は変わります。
PLC排出同期で起こりやすい取り違え
排出アクチュエーターが製品を押す、エアで飛ばす、ゲートを切り替えるなど、機構によって必要な起動位置と保持時間は違います。PLCへ「NG」を送るだけでは、どの製品をいつ排出するか伝わりません。検査結果を対象ID・位置カウント・有効期限と組にして渡し、PLC側で現在位置と照合して動作させる設計が考えられます。信号線による単純な連携でも、リセット条件とキューの順序は明文化します。
NG製品が連続した場合、二個目の排出指令が消えないか、アクチュエーターが必要な周期で復帰できるかを確認します。逆に製品がない空間で排出指令が残ると、次の良品に作用するおそれがあります。停止・再起動、非常停止、搬送逆転、手動排出、センサー欠落、PLC通信切断の各場面で、保留キューをどう扱うかを試します。再起動時に古い排出要求をそのまま使わないことも重要です。
排出確認センサーがあるなら、指令発行と物理的な排出成立を別々に記録します。排出を命じたのに製品が本流に残ったときは、品質上の未処理品として警報・停止・隔離などの動作が必要です。排出先の箱が満杯のとき、エア圧が低いとき、ゲートが固着したときも、AIの判定精度とは無関係に品質が破綻します。受入試験では「判定できた」だけでなく「物理的に隔離された」を見届けます。
排出ステーションの距離を実機で決める
撮像位置から排出位置までの距離を長く取れば判定時間に余裕が生まれますが、その間に同時滞留する製品が増え、追跡キューが長くなります。搬送途中に方向転換や別ベルトへの移載が入ると、位置の不確かさも増えます。逆に距離を短くし過ぎると、最も遅い判定が排出の起動期限に間に合いません。機械配置はAI処理だけでなく、ワーク間隔、アクチュエーターの応答と復帰、排出先の空間、安全柵、清掃動線を含めて決めます。カメラ位置を後から数十センチ動かすだけでも、エンコーダーカウントと排出予約の設定を再評価します。
実機試験では、排出直前に良品と不良品を交互に流し、排出先と本流に残った個体のIDを照合します。連続NGだけを通す試験では見えない「NGの直後の良品を巻き込む」失敗を発見できます。製品ピッチが変わる品種なら最小ピッチを使い、排出機構の復帰が間に合うか確認します。エア圧低下などで排出が成立しなかった場合の再試行は、すでに次の製品が到着していないことが条件です。無条件の再パルスは別の製品を排出する危険があります。
PLCとAI側の時刻をどう照合するか
異なる装置のログを突き合わせるには、時計の同期状況も記録します。時計がずれていれば、ログ上で「PLCが先に排出し、その後AIが判定した」ように見えることがあります。製品IDとシーケンス番号、エンコーダーカウントを主な照合キーとし、時刻は遅延分析のために使います。時刻同期が失われた場合でも排出制御を継続できる設計か、その場合にどの証拠が残るかを確認します。ネットワークの再送によって同じ結果が複数回届いても、PLCは一つのIDにつき一度だけ排出するべきです。
誤排出と見逃しを同じ数字にまとめない
検査精度を単一の正解率で示すと、どの損失を減らしたか見えません。良品をNGとした誤排出は歩留まりと再検査工数に影響します。不良品をOKとした見逃しは後工程や顧客への流出につながります。両者の重みが異なるため、製品・欠陥クラスごとに許容条件を決めます。欠陥の見本が少ない場合に「99%」のような数字だけを示しても、まれな不良に対する性能は説明できません。
評価表には真陽性、偽陽性、偽陰性、真陰性の件数と分母を書きます。多くの良品画像と少数の不良画像を無作為に分けるだけでは、同じロットや同じ日の照明条件が学習・評価の双方に入り、実運用より良く見えることがあります。評価用には日付、材料ロット、設備状態、製品版で分けたサンプルを用意します。しきい値の調整は評価結果を見ながら無制限に繰り返さず、調整用と最終確認用のデータを分けます。
NGの中でも「モデルが不良と判定」「画像が撮れない」「IDが不明」「判定が期限に間に合わない」は原因が違います。一括で不良品数に数えると改善点が見えません。現場で再検査する箱を分けるか、ログ上で理由を分け、運用負担と品質リスクの両方を確認します。誤排出した良品を再投入するなら、再投入時のIDと前回判定を追えるようにし、二重計上を防ぎます。
学習データは現場の変動を含める
AI外観検査では、不良画像を大量に集めること自体が難しい場合があります。傷、異物、印字、封止、形状など欠陥の性質に合わせ、教師あり分類、領域検出、異常検知などを比較します。方式名よりも重要なのは、何を不良と判定するかを品質担当者が合意し、境界例を含むデータで評価できることです。疑似欠陥を作る場合は、実際の不良と画像上の特徴が違うことを認識し、実欠陥で最終確認します。
良品の変動も集めます。複数サプライヤーの材料、季節による温湿度、印刷の版差、照明交換、清掃後の光沢などが候補です。タイ工場固有の発生率を資料なしに仮定せず、実ラインから期間と条件を記録してサンプリングします。画像は採取した製品IDと品質の確定結果を結び付け、ラベル修正の履歴を残します。後から「不良だったはず」の曖昧なラベルが増えると、モデル改善が難しくなります。
導入後の再学習では、モデルの版、学習データ、評価結果、承認者、切替時刻、復旧手順をまとめます。現場が誤排出を嫌って閾値をその場で緩めると、流出リスクを見落とします。閾値変更を設備設定の一部とし、承認と変更履歴を残します。
FATで設備単体の約束を確認する
FAT（Factory Acceptance Test）は出荷前または製作側環境で設備が仕様どおり動くか確認する機会です。AIモデルのデモ画像だけで終えず、実際に採用するカメラ、照明、計算機、PLCとの接続、排出機構の模擬信号を組み合わせます。サンプルを一個ずつ見せる試験に加えて、最大速度相当の連続投入、良品・不良品の混在、連続NG、トリガー欠落、ネットワーク切断、処理遅延を試験表に入れます。
FAT時点で実ラインのベルトや周囲光を再現できない場合、何を未確認としてSATに引き継ぐか明記します。合格条件は「見た目が動いた」ではなく、対象数、検査条件、許容遅延、誤排出・見逃しの測定方法、排出確認、ログ取得を数値または判定可能な動作で定義します。実欠陥が不足するなら、その不足と代替サンプルの限界を書き、後で現物を追加して評価する条件を設けます。
ベンダーごとの性能比較では、同じ画像をオフラインで処理するだけでなく、同じ速度・照明・製品間隔・PLC信号条件で比較します。処理時間を申告値ではなくログと外部測定で照合し、画像取得から排出信号までの端から端の遅延を見ます。
SATでタイ工場の実ライン条件を検証する
SAT（Site Acceptance Test）では工場の実設備に接続し、速度、製品切替、シフト交代、周囲光、設備振動、清掃、保全作業が検査へ及ぼす影響を確認します。夜間や休日の操業条件が平日日中と違うなら、試験計画に含めます。現場教育では、アラーム解除方法だけでなく、ID不明、撮像失敗、排出失敗のとき製品をどこへ隔離し、誰が再判定するかを練習します。
最初から自動排出へ移らず、一定期間はAI判定を記録だけして現行検査と照合する並行運転も候補です。その期間に基準となる人手検査にもばらつきがあるため、判定不一致を品質担当者が現物で裁定します。次に排出を有効にする際は、失敗時の安全側動作と復旧手順を確認し、ライン責任者が切替を承認します。どの段階まで並行運転するかは製品リスクと得られた評価数で決めます。
立上げ後も、検査不能率、誤排出率、見逃し事例、排出失敗、ライン停止、画像保存失敗を定期的に確認します。指標の分母に製品切替や計画停止を含めるか決め、導入前後で同じ定義を使います。AIの改善だけでなく、照明の汚れ、センサー位置、エア圧、ベルト滑りの変化を保全計画に取り込みます。
見積比較は装置価格と運用費を同じ範囲で見る
高速ラインの画像検査装置を比較するときは、カメラとAIソフトの価格だけを並べないようにします。撮像治具、照明、遮光、エンコーダー、PLC改修、排出機構、配線、工事停止、欠陥サンプル収集、モデル調整、現地試験、教育、保守を範囲に含めます。製品切替が多い工場なら、レシピ追加と再学習の手順・費用も確認します。クラウドを使う場合でも、リアルタイム判定の場所と通信断時の動作を明確にします。
効果試算では、現在の不良流出、目視検査工数、抜取検査で見ていない数量、誤排出の再検査、ライン停止を、自社の実測値で置きます。SiemensとP&Gの発表には、対象製品に応じたスクラップ率10〜20%低減と、従来の個別設計ビジョンシステムに比べた導入立上げ5〜10倍の速さが記載されています。これは両社が報告する事例値であり、タイ工場や別製品に一般化できる削減率・期間ではありません。見積の投資回収にそのまま転記せず、対象ラインでの実測から幅を持たせて評価します。
発注仕様には、検査対象と欠陥定義、最大速度、最小ピッチ、撮像条件、ID付与、判定遅延、PLC信号、排出確認、画像保存、失敗時動作、FAT/SAT合格条件、引渡し後の再学習責任を明記します。候補ベンダーの回答が「AIで99%検査」だけなら、設備として必要な部分が未定義です。試験用の現物とライン信号の提供範囲を発注者側も決め、双方の責任境界を明確にします。
よくある質問
高速ラインのAI外観検査は既存PLCに後付けできますか？
可能な場合はありますが、PLCの空き入出力、通信方式、スキャン周期、既存の排出キュー、停止時の安全動作を確認して判断します。カメラが判定結果を出せても、その結果が対象製品の排出位置まで追跡されなければ導入は成立しません。PLC改修を最小にする構成も含め、実ラインの信号一覧と時系列で評価します。
エンコーダーがあれば排出ずれは必ず解消しますか？
いいえ。エンコーダーが測る軸と製品の移動が一致し、トリガー時のカウントと排出時のカウントが同じ基準で扱われる必要があります。ベルト滑り、製品のずれ、分岐、手動介入がある場合は、下流センサーやID再確認が必要になることがあります。位置誤差をSATで実測します。
インラインAI検査の精度は何を見ればよいですか？
モデル単体の正解率だけでなく、欠陥クラス別の見逃し・誤排出、撮像不能、判定期限超過、ID取り違え、物理排出失敗を分けて見ます。良品と不良品の件数、欠陥の境界例、評価に使ったロットと速度を併記し、受入条件を事前に合意します。
AI外観検査のFATとSATは何が違いますか？
FATは製作側で仕様の機能と模擬ライン条件を確認し、SATは設置先の実ラインで速度・照明・振動・製品切替・運用を確認します。FATで再現できない現場条件を明示してSATへ引き継ぎ、両方で画像判定から物理排出までの記録を残します。
まとめ
高速ラインのAI外観検査導入は、カメラで欠陥を見つけるだけの案件ではありません。製品ピッチから時間予算を決め、トリガーとエンコーダーで位置を記録し、AI結果を製品IDに結び、PLCが正しい個体を排出し、その動作を確認する一連の設備設計です。FATで構成要素を、SATでタイ工場の実条件を検証し、誤排出と見逃しを分けて改善すると、全数検査自動化の判断材料が揃います。
既存ラインへの後付けや高速化を検討している段階でも、速度・ピッチ・欠陥見本・PLC信号の情報があれば、必要な撮像構成と試験範囲を具体化できます。TOMAS TECHへご相談ください。
