ルールベース×AIで外観検査の精度アップ

1 枚で学習できる画像 AI ルールベース×AI で 外観検査の精度アップ

ルールベース×AI で外観検査の精度アップ 従来の外観検査では、ルールベース検査が用いられてきました。しかし、検 査対象や環境によっては精度が十分に得られないことが課題となっていま す。解決する手段として近年注目を集めているのが、AI 外観検査です。ルー ルベースと AI を組み合わせれば、柔軟かつ高精度な検査を実現し、歩留ま りの大幅改善につなげることが期待できます。本記事では、ルールベース検 査の課題や AI 外観検査のメリットなどを解説します。さらに、画像 1枚で 検査のための学習が可能な AI 画像検査装置「gLupe」を事例とともにご紹 介いたします。 「gLupe」についての詳しい情報や、簡易検証に興味のある方は、ぜひお気 軽にお問い合わせください ＜資料請求＞（https://glupe.jp/glupe/download.html） ＜お問い合わせ＞（https://glupe.jp/glupe/contact.html） 外観検査の品質改善を目指す方にとって、有益な情報になるはずです。ぜひ 最後までお読みください。

�� ルールベース外観検査の限界 従来のルールベース外観検査は、製造ラインの自動化や効率化に貢献をし てきました。しかし、さらなる生産性向上のために次のような問題を抱え ていることも事実です。 1. 過検出・見逃しがでてしまう ルールベースでは、人が設定した一連の検査条件に基づいて判定しますが、 明確に判定条件が決まっていない曖昧な欠陥については判断が難しくなり ます。結果、過検出や欠陥の見逃しが発生してしまいます。 2. 不規則な NG 箇所への対応が困難 製品の形状や材料、製造条件によって、不良の出方は一様ではありません。 突発的に発生するキズなどの「予想外のパターン」はルール化が難しく、 正しい検査ができないこともあります。 3. 検査基準の変更や新製品対応の柔軟性が不足 製品が少し変わるだけでも、検査ルールやしきい値を再設定しなければな らず、時間と手間がかかります。多品種少量生産を行う現場では、頻繁な 再設定が求められるため、ルールベース検査では対応できないケースもあ るでしょう。 こうした問題の解決策として注目されているのが、AI 技術を活用した外観 検査システムです。画像データを収集し、学習モデルを構築することにより、 検査に組み込むことができます。AI は学習を重ねることで不定形の不良や 外観変化にも対応可能になります。

�� AI 外観検査導入のメリットとデメリット AI 外観検査は、ルールベース検査だけでは対応しきれなかった複雑な不良や不規則なパターンに も対応できる点が大きな魅力です。 ・AI 外観検査導入のメリット３つ まずは、代表的なメリットを紹介します。 1. 精度とスピードの向上 ルールベース検査で設定しづらい微妙な外観変化や不定形なパターンを AI が高精度で検出でき ます。とくに、目視検査でのダブルチェックを併用している場合、AI がその部分を代替または補 完することで検査の高速化にもつながります。 2. コスト削減 人手による確認や再検査の回数を減らせるため、長期的には検査工程のコストを圧縮できます。 さらに、不良の見逃しが減ることでクレーム対応のコスト削減にもつながるでしょう。 3. データ活用と品質管理の強化 検査結果がデジタルで蓄積されるため、不良の傾向分析や工程改善を行うためのデータが蓄積し ます。また、蓄積されたデータを利用しモデルを更新すれば、継続的な精度向上も可能です。 AI 導入にはこのようなメリットがある反面、次のようなたいへんさがあります。 ・AI 外観検査導入のデメリット 3 つ 次に、代表的なデメリットを紹介します。 1. 学習データの準備 検査の精度を高めるには、多種多様なパターンの画像の収集と適切なラベリングが必要です。し かし、不良率の低い製品や新製品では画像データの準備が難しくなります。 2. 判定根拠のブラックボックス化 AI は判定アルゴリズムがブラックボックスなため、なぜその判定に至ったのかを説明しづらい点 が特徴です。このため、誤判定が起きた際に原因を追究しづらく、修正が困難なことがあります。 �. AI の知識が必要 モデルの再学習やチューニング、トラブル対応を行うには、AI や機械学習に関する基礎知識が求 められます。担当者に十分な知識がない場合、システム会社に学習を依頼することになり、再学 習に手間がかかる可能性もあるでしょう。

�� ルールベースと AI を組み合わせて 検査の歩留まりを改善させる ルールベース検査と AI 外観検査には表のとおり対照的な特徴があります。それぞれ単独ではカ バーしきれない課題がある一方、両者を適切に組み合わせることで、検査精度の大幅な改善が期 待できます。 ルールベース検査と AI 検査のメリット・デメリットの比較表 メリッ ト デメリッ ト ルールベース �. 適切なルール設定ができれば、 �. 適切なルール設定ができないと過 検査 ���%に近い精度で判定可能 検出/ 見逃しが多い �. 判定の根拠が明確 �. 不規則な検査対象が苦手 �. ルールの更新が比較的難しい AI 検査 �. 不規則でルール化が難 し い検査 �. 多量の学習データが必要 対象が得意 �. 判定の根拠が不明確 �. 学習により精度向上が可能 �. AI の知識が必要で、追加学習は専 �. 製品が変わっても同じ AI で検査 門家に依頼する必要があるこ と が ができる 多い こうした特徴を補完し合うために、ルールベース検査と AI 検査を組み合わせることが非常に有 効です。明確な基準をルールベースで担保しつつ、曖昧な NG パターンや不定形な不良を AI が 補完できるようになります。これにより、従来の方式だけでは難しかった不良検知や運用の柔軟 性が実現します。 たとえば、ルールベースでしきい値を厳しく設定すると、良品まで誤って弾いてしまう過検出が 発生することがありますが、AI のダブルチェックによって無駄な廃棄を減らし、歩留まりを向上 させられます。また、微妙な外観変化や不定形な不良の検出を AI が補完することも期待できます。 ルールベース検査が持つ「理解しやすさ」と「根拠の明確さ」を保ちつつ、AI による「学習力」 と「柔軟性」を取り入れることで、検査精度と歩留まりの向上を期待できるでしょう。 一方で、AI 検査には、大量の学習データや専門知識が必要といったデメリットもあります。しか し、次章で紹介する「gLupe」では、少量データからの学習や直感的な操作などにより、導入ハー ドルを下げる仕組みが整えられています。実際の事例を交えながら、詳しく解説していきます。

�� 既存のルールベース検査と組み合わせられる「gLupe」 「gLupe」は、製造業の外観検査を支援するために開発された AI 外観検査装置です。一般的に AI 検査では大量の学習データが必要です。しかし、「gLupe」は “画像 1 枚から学習” できるため、 試作段階や小ロット生産でも素早く立ち上げられる点が最大の特長です。 ・「gLupe」の特長 4 選 1. 特長 1：最小 1 枚から学習可能 不良サンプルがほとんどない場合でも、最低限の画像だけで初期学習が可能です。少ない画像で 学習できるので、学習時間もごくわずか。 2. 特長 2：既存のルールベース装置に組み込むことが可能 既存のルールベース装置への組み込みや連携が可能です。 3. 特長 3：判定箇所を説明可能 「gLupe」は不良検出箇所を可視化するため、判断の根拠を説明することができます。 4.　　特長 4：現場運用向けの操作性 AI の専門知識がなくても直感的な画面操作でしきい値の設定やモデル学習・更新ができます。新 たな不良パターンに合わせて画像を追加するだけで、即座に更新できます。 詳しくは、製品情報ページ（https://glupe.jp/ja/）をご覧ください。

�� 「gLupe」の導入事例 2選 ここでは、「gLupe」を導入して検査効率や歩留まりの改善に成功した 2 つの事例を紹介します。 1. エンドユーザ向け：既存装置の見逃しや過検出を減らした事例 ・背景と課題 製菓メーカーのチョコレート商品の外観検査では、既存のルールベース検査装置だけでは不良を 検出しきれませんでした。そのため、後工程で検品担当者による目視でのダブルチェック工程を 設けています。しかし、製造ラインのスピードに目視が追いつかず、不良品が見逃されているこ とが問題となっていました。 ・「gLupe」導入のポイント ダブルチェックを AI で代替 後工程の目視検査を「gLupe」に置き換えることで、ルールベース検査でカバーしきれなかった 不良を高精度に検出できました。 画像検査装置の置換えや内製化についての詳しい資料はこちら （https://glupe.jp/glupe/index.php?type=already） ・導入効果 見逃し率の低減 微細な不良も AI が捉えるため、後工程での手戻りが減少しました。 2. 装置メーカー向け：AI 組み込みによる検査精度の向上と運用性の改善 ・背景と課題 基板実装工程の外観検査装置メーカーでは、過検出が大量に発生しており、実際に不良品だった のは全体のごくわずかという状況が続いていました。NG 判定品をすべて目視検査でダブルチェッ クしなければならず、膨大な時間と人手を要していたため、エンドユーザ企業から改善要求が寄 せられていました。 ・「gLupe」導入のポイント 自社装置への組み込みが可能 既存のルールベース検査装置と「gLupe」を組み合わせた運用を実現しました。 既存の検査装置に AI 機能を追加する方法についての詳しい資料はこちら （https://glupe.jp/ja/sdk.html） 少量データで学習可能 不良サンプルの収集が難しい現場でも、最低限のデータから学習を開始でき、新たな不良パター ンにも柔軟に対応可能です。 ・導入効果 過検出の削減 真の不良率 0.1% に対して大量に弾かれていた良品が、大幅に減少しました。 エンドユーザの作業負担を軽減 NG 品のダブルチェック時間が短縮され、最終検査工程の人員やコストも削減できました。ユー ザからの評価の向上にも寄与しています。 運用性と柔軟性の向上 簡単操作で学習モデルを更新できるため、検査基準の微調整をエンドユーザが容易にできます。 運用性と柔軟性が格段に向上しました。 他の導入事例については、こちら（導入事例：https://glupe.jp/ja/example.html）をご覧ください。

�� 最後に｜一歩先の外観検査で競争力を高めよう 外観検査の品質は、そのまま企業の信頼性や顧客満足度に直結します。これまで人手やルールベー スだけではカバーしきれなかった曖昧なパターンや微細な不良を AI で検出できるようになると、 歩留まり改善やクレーム削減といった直接的な効果が期待できます。 さらに、検査データの蓄積をもとにした傾向分析や品質向上など、AI 活用の幅はますます広がっ ていくでしょう。 「少量データからスタートできる」「既存装置に組み込みやすい」などの強みを持つ「gLupe」は、 検査工程の自動化や省人化、品質向上を求める企業にとって、大きなアドバンテージとなるでしょ う。 「gLupe」について詳しい情報がほしい方や、簡易検証・製品説明に興味のある方は、ぜひお気 軽にお問い合わせください。 ＜資料請求＞（https://glupe.jp/glupe/download.html） ＜お問い合わせ＞（https://glupe.jp/glupe/contact.html）