コラム

部品や製品の表面（外観）の品質を維持・保証するための検査のことであり、汚れやゆがみ、異物混入などの欠陥がないかを確認します。外観検査には、「全数検査」と「抜き取り検査」の2つがあります。
「全数検査」は生産したもの全てにおいて検査を行います。生産ライン内で行う“インライン検査”で行われることが多く、全てを検査するため品質を完全に保証することができます。ただし、コストと時間がかかるのが課題です。
「抜き取り検査」は生産した中からランダムにサンプルを抜き取って検査を行います。生産ライン外で行う“オフライン検査”で行われることもあります。全数検査と比較してコストも時間も抑えることが可能です。ただし、不良品が混在する可能性が残ります。

外観検査は主に3つの検査方法が存在します。

一つ目は「目視検査」です。

人の目で検査を実施します。特別な装置などが不要なため、導入しやすく、五感も使うことで柔軟性の高い検査を行うことができます。一方、人が検査を行うため経験や体調によって精度のブレが発生しやすく精度が100%ではありません。

二つ目は検査機での「ルールベース検査」です。

画像データを基に人の手で特徴抽出や判定アルゴリズムの設計を行い、作成した判定アルゴリズムを使って検査を実施します。
他の検査方法と比較して検査の処理時間は短いですが、判定アルゴリズムの作成には知識と技術が必要で実施できる人が限られます。また、微細な変更に対しても特徴抽出、判定アルゴリズムの再設計が必要です。

三つ目はAIを活用した「AI外観検査（画像検査）」です。

画像データをAI学習し、学習結果をもとに検査を実施します。
画像さえあれば特徴量の抽出などせずに検査することができます。ただし、AI学習のために異なる画像を多量に準備する必要あります。また、位置やサイズなど定量的なルールの検出が苦手です。

機械学習の一種であるディープラーニング（深層学習）を利用した高精度の画像検査（画像解析・画像認識）です。画像の特徴をAIに学習させることで頭脳を作成し、作成した頭脳を利用して外観検査を行います。AIを利用することで見落としを防ぎ、より目視に近い判定をAIにて実現可能となります。また、学習を繰り返すことで、ルールベース検査のような人手による特徴量設計をせずに精度向上することが可能です。

AIの学習方法には「教師あり学習」「教師なし学習」の2つの学習手法があります。

「教師あり学習」は、学習用のデータに正解（何を学習したいのか）を明示した状態で学習させる手法です。NG画像を十分に準備できる場合は「教師なし学習」よりも精度が高い傾向にあります。
例）OK画像、NG画像の両方を学習させる。
「教師なし学習」は、学習用のデータに正解を教えないで学習させる手法です。OK画像のみで学習ができるため、NG画像を準備できない場合に採用されます。
例）OK画像のみ学習させ、学習したもの以外をNGと判定します。

画像を良品／不良品に分類することができます。

不良品画像を分類することができます。
2次検査など、不良品の種類まで知りたい場合におすすめです。

良品／不良品の判定に加えて、良品/不良品内での分類も可能です。

AI外観検査を新規に導入します。
新たに外観検査が必要な場合や目視検査の代替として効率、精度向上を目的として導入することで、より少ない工数で安定的な精度で外観検査が可能となります。

既存検査にプラスしてAI外観検査を追加します。
既にルールベースでの検査機を導入済みで、ある程度精度が出ているがより精度を上げたい場合や過検出が多いなどルールベースの外観検査が適用できないもの、ルールの定義が難しい製品、部品について2次判定としてAI外観検査を導入することで精度を向上させることが可能となります。