ロボット品質検査：カバレッジが最も困難である理由

ロボット外観検査は、コンピュータビジョンと、カメラ、ワーク、またはセンサーを計画された一連の視点へと移動させるロボットを組み合わせたものです。これは、固定カメラでは必要なすべての表面を確認できない場合、製品の形状が変化する場合、または多数の据え置き型カメラを使用せずに複数の側面を検査する必要がある場合に有用です。

Ultralytics YOLOは、カスタム検査スタック内で検出、セグメンテーション、分類、姿勢推定、または追跡を提供できます。Cognex、Keyence、MVTec、Zebra、Teledyneなどの産業用ビジョン・スイートは、確立されたツールとハードウェア・エコシステムを提供します。Landing AIやRobovisionなどのビジョン・プラットフォームは、設定可能な学習型検査ワークフローを重視しています。最適な選択肢は、組織がパッケージ化された検査製品、産業用開発環境、またはカスタマイズ可能なモデル層のどれを必要としているかによって異なります。

ロボット検査ソフトウェアの選択肢#

ベンダー名は出発点を示すものであり、実績のあるパフォーマンスを示すものではありません。すべてのオプションについて、代表的な部品、欠陥、速度、表面、およびロボットパスを使用した試行が必要です。

ロボットが視覚検査を改善するケース#

ロボットにはいくつかの利点があります：

• 1つのセンサーで複数の側面や角度をキャプチャできます。
• 視点と作業距離をプログラムによって再現できます。
• 固定ステーションからは隠れている空洞や特徴部にカメラを接近させることができます。
• 製品のバリエーションに合わせて検査レシピを変更できます。
• 制御された照明の前でワークを回転させることができます。
• ビジョン結果をロボットの姿勢または製品座標に登録できます。

トレードオフとなるのはシステムの複雑さです。ロボットの動きにより、サイクルタイム、キャリブレーション、ケーブル配線、衝突リスク、モーションブラー（ブレ）、同期、およびその他の障害モードが増加します。1つの固定ビューで品質に関する疑問が解決するのであれば、ロボットは不要です。

製品座標で検査要件を定義する#

検査すべきすべての表面と特徴部、最小限の関連する異常、許容される変動、アクセスできない領域、および必要な処置をリストアップします。各要件を計画されたビューとイメージング方法にマッピングします。

カバレッジ表を使用する：

これにより、死角が可視化されます。また、モデルの観察結果と、下流で適用される品質規則とが分離されます。

ビューと動作を同時に計画する#

検査パスの計画では、カバレッジ、画質、ロボットのリーチ、衝突回避、ケーブルの制限、およびサイクルタイムのバランスを取る必要があります。すべてのビューについて、カメラの姿勢、焦点、露出、照明の状態、ロボットの速度、およびキャプチャ・トリガーを記録します。

イメージング方法に対して動作が十分に制御されているときにキャプチャを実行します。「停止してキャプチャ」するパスはシンプルですが、サイクルが長くなる可能性があります。動作中のトリガーはスループットを向上させる可能性がありますが、ブレを防ぐ照明と露出、および画像とロボットの姿勢の間の正確な同期が必要です。

ウォームアップ、ツール変更、メンテナンス、および予想される振動の後で再現性を検証します。カメラがロボットにマウントされている場合、モデルが維持されている間でも、わずかな機械的ズレによって観察領域が移動する可能性があります。

カメラ、ロボット、および製品のキャリブレーションを行う#

システムには3つの関係が必要になる場合があります：

• カメラの内部パラメータとレンズの挙動。
• カメラからロボットへの、またはカメラからツールへの変換。
• フィクスチャまたはロボットフレームにおける製品の姿勢。

キャリブレーションにより、画像内で特定された欠陥を、正しい製品表面または物理的領域で報告できるようになります。受入テストを定義し、キャリブレーションのバージョンを保存し、再キャリブレーションをトリガーするイベントを指定します。

柔軟なフィクスチャの場合、最初に製品または参照特徴部を特定するためのレジストレーション・ステップが必要になる場合があります。ロボットの指令された姿勢だけで、検査対象の表面が画像内のどこに現れるかが証明されると仮定しないでください。

コンピュータビジョン・タスクを選択する#

少数の全体的な状態を持つ厳密に制御されたビューには分類を使用します。障害やコンポーネントをボックスとしてローカライズする必要がある場合は検出を使用します。欠陥の形状と面積が重要である場合、または境界が不規則である場合はセグメンテーションを使用します。幾何学的特徴や位置合わせには姿勢推定またはキーポイントを使用します。鮮明で決定論的なエッジや校正された寸法には、従来の測定ツールの方が適している場合があります。

ハイブリッド・システムでは、幾何学形状に古典的なビジョンを使用し、外観の変動には学習型モデルを使用できます。目的は、機械学習を最大限に活用することではなく、検証可能な検査を行うことです。

Ultralytics Platformは、Ultralytics YOLOワークフローのデータセットのアノテーション、トレーニング、モデル比較、およびデプロイをサポートします。評価が完全なレシピを反映するように、製品、表面、ビュー、照明、ロボットパス、および欠陥タイプごとにデータセットを整理します。

複数のビューにわたる結果の統合#

キャプチャされた各画像には、ユニット識別子、レシピ、ビュー識別子、ロボット姿勢、タイムスタンプ、モデルバージョン、およびキャリブレーションバージョンを含める必要があります。アプリケーションは、ビューレベルの観察結果をユニットレベルの結果に集約します。

重複する観察結果を明示的に処理します。2つの角度から見えるひっかき傷が、自動的に2つの欠陥になってはなりません。逆に、ビュー間の不一致は、反射、オクルージョン、キャリブレーションエラー、またはレビューすべき難しい異常を示している可能性があります。

合格（パス）、不合格（フェイル）、およびレビュー／利用不可の少なくとも3つの状態を維持します。ビューが欠落しているか画質が低い場合に合格または不合格を強制すると、潜在的なリスクが生じます。

カバレッジ、検出、および処置の検証#

3つの質問を分離します：

1. カバレッジ： レシピによって、必要なすべての領域の許容可能な画像が取得されたか？
2. 検出： ビジョン手法により、関連する目に見える状態が特定されたか？
3. 処置： 規則とワークフローによって、正しいユニットレベルの決定が下されたか？

表面上およびカバレッジの境界に配置された代表的な欠陥でテストします。通常の見た目の変動、汚染、反射、フィクスチャの変更、および修理された特徴部を持つ良品を含めます。ほぼ同一のキャプチャがトレーニングセットとテストセットの間で漏洩しないように、生産バッチまたは時間ごとに評価を分割します。

運用上の指標には、見逃された欠陥、誤った不合格、レビュー率、利用不可のビュー、サイクルタイム、手動介入、キャリブレーションエラー、およびイベントの診断にかかる時間が含まれます。単一の集計値だけでなく、製品、表面、欠陥、およびビューごとに結果を報告します。

品質システムとの統合#

検査結果は、合格、レビュー、手直し、または不合格などの制御された処置にマッピングする必要があります。理由とレシピのバージョンを記録します。結果が正しい製品に属するように、ユニットのアイデンティティと品質または製造システムに統合します。

目的とポリシーに従って、保持される画像を制限します。不合格品またはサンプリングされたユニットのみを保持する組織もあれば、より広範なトレーサビリティを必要とする組織もあります。アクセスや削除を含め、生産の前に規則を定義します。

安全性とリカバリ#

ロボットの動作は、検証されたロボットおよびセルの安全システムの制御下にとどまる必要があります。学習型ビジョンは、適切に設計および評価された安全機能の一部でない限り、保護制御として提示されるべきではありません。

画像の欠落、トリガーの失敗、利用不可のカメラ、到達不可能なビュー、キャリブレーションエラー、モデルのタイムアウト、およびロボットの障害に対するリカバリを設計します。リカバリ後、システムがどのビューが有効のままであるか、どれを再取得する必要があるかを把握していることを確認します。