製造業における品質検査：従来手法と深層学習手法の比較

品質検査は製造において、製品が要求される品質基準を満たしていることを保証する極めて重要な作業です。しかし、製品の複雑さが増すにつれて、従来の検査方法を用いた品質評価にはコストがかかる場合があります。

メーカーは検査コストを削減するため、物体検出やセマンティックセグメンテーションのようなディープラーニングベースの検査技術へ移行しつつあります。ディープラーニングは、ニューラルネットワークと呼ばれるコンピュータアルゴリズムを使用してデータ内の複雑なパターンを識別する、人工知能（AI）のサブフィールドです。これらの技術は、画像や動画を含む広範なデータセットを分析することで、検査ワークフローの自動化を支援し、人間の検査員への依存を軽減します。

その汎用性と費用対効果の高さから、AIベースの品質保証はビジネスの収益性を大幅に向上させます。報告によると、製造業界は2035年までにAIから3兆米ドル以上の利益を得る可能性があるとされています。

この記事では、ディープラーニングの手法がどのように品質検査を改善できるか、そしてUltralytics YOLO11がどのようにさまざまな産業での検査を強化できるかについて説明します。

製造における品質検査とは何でしょうか？#

品質検査とは、製品が消費者に届く前に欠陥、異常、または不整合がないかを評価することです。

このプロセスは、製品が組み立てラインを流れている最中の製造中、または製造完了後に出荷ラインへ移動する前に行われます。

多くの場合、人間の専門家が視覚的な評価を行い、製品が設計基準から逸脱していないか、あるいは基準を満たしていないかを確認します。

しかし、品質への要求が高まるにつれ、製造業者は業務におけるより高い俊敏性と拡張性を実現するため、自動化されたディープラーニングアプローチへと移行しています。

ディープラーニングアプローチとは何でしょうか？#

ディープラーニングのアプローチでは、人間の脳の原理に基づいて動作する人工ニューラルネットワークを使用します。ネットワークは相互接続されたニューロンの層です。各ニューロンは数理計算を実行して、データを分析し、パターンを特定し、予測を生成します。

図1 人工ニューラルネットワーク。

品質検査において、ディープラーニングモデルには、製品画像から特徴を自動的に学習して抽出するコンピュータビジョンフレームワークが含まれます。

コンピュータビジョンモデルの開発には、専門家が関連するデータセットでニューラルネットワークをトレーニングし、新しいデータセットでバリデーション（検証）を実行してパフォーマンスを確認する必要があります。

検証後、専門家はPyTorch、ONNX、OpenVINOなどのさまざまなデプロイツールを使用して、これらのモデルをカメラやセンサーにデプロイできます。

品質検査のためのディープラーニングアプローチ#

ビジョンベースの品質検査では、複数の方法を用いて損傷、亀裂、欠品を検出およびローカライズします。以下のリストは、4つの現代的なディープラーニングアプローチを挙げています。

二値分類#

二値分類とは、オブジェクトに欠陥が存在するかどうかを判断するなど、画像を2つのクラスのいずれかに分類するタスクを指します。

視覚データに基づいて、分類モデルは二値の「はい/いいえ」という判定を出力します。これは欠品を検出するのに役立ちます。例えば、分類モデルは製品内にアイテムが不足しているかどうかを検出できます。

図2 自動車部品の二値分類。

多クラス分類#

多クラス分類とは、画像を3つ以上のクラスに分類するタスクです。各画像をあらかじめ定義された複数のカテゴリのいずれかに割り当てます。

例えば、多クラス分類モデルは製品の画像を分析し、複数の損傷や亀裂のタイプに対する確率を返し、どれが最も可能性が高いかを示します。

図3 曲がりや色を検出する多クラス分類。

これは、引っかき傷、へこみ、ひび割れなどのさまざまな欠陥に対して異なる取り扱い手順が必要となる製造現場で役立ちます。

ローカライゼーション（局所化）#

ローカリゼーションとは、画像内のオブジェクトや特徴の特定の位置を特定することを指します。物体検出モデルを使用して、損傷の特定の領域をハイライトするバウンディングボックスや座標を予測します。

これは、建物や工業用部品のひび割れ検出などのタスクに役立ちます。ここでは、ターゲットを絞った修理のために欠陥の正確な位置が必要となります。

図4 打ち抜き穴をローカライズするモデル。

例えば、インフラのメンテナンスにおいて、ローカライゼーションモデルはコンクリート構造物の画像を分析し、亀裂がある正確な領域をマークすることができます。

多クラスローカライゼーション#

多クラスローカライゼーションは、画像内の複数の欠陥を特定および位置特定し、同時に各欠陥を定義済みのカテゴリに分類します。

より高度な物体検出モデルを使用して欠陥の種類と位置を判断し、より詳細な情報を提供します。

図5 複数の欠陥タイプを特定するモデル。

例えば、多クラスローカライゼーションモデルは、損傷したアイテムの画像を分析し、ひっかき傷や亀裂といった欠陥の種類と、物体内での欠陥の正確な座標を示すことができます。

従来手法対ディープラーニングアプローチ#

従来の検査方法は、しきい値、定義済みのチェックリスト、合格/不合格基準といったユーザー定義のルールや基準に従うため、より厳格です。

例えば、ルールベースのビジョン技術では、専門家がある製品の理想的な色、形状、サイズを定義します。カメラやその他の画像キャプチャデバイスがこれらの基準からの逸脱を検出すると、システムは専門家に通知します。

ディープラーニングのアプローチは、より複雑な検出システムを構築するための優れた柔軟性を提供します。これらのアプローチには、欠陥のあるオブジェクトの画像の広範なデータセットの収集とアノテーションが含まれます。専門家はアノテーション済みデータを使用して、Ultralytics YOLO11などの物体検出モデルをトレーニングします。トレーニングが完了すると、モデルをカメラやセンサーにデプロイして画像をキャプチャし、リアルタイムで欠陥を識別できます。

次のセクションでは、品質検査に Ultralytics YOLO11 がどのように活用できるかを見ていきます。

コンピュータビジョンを用いた品質検査#

You-Only-Look-Once (YOLO)は、その高い精度、適応性、および速度で有名な最先端（SOTA）のリアルタイム物体検出モデルです。その最新バージョンはUltralytics YOLO11であり、特徴抽出、速度、精度、適応性の面で以前のバージョンを改善しています。

より正確な特徴抽出のための優れたアーキテクチャを備えており、処理速度を向上させるための最適化されたトレーニングパイプラインが含まれています。計算効率が高く、従来モデルと比較してパラメータが22%少なく、精度スコアが高くなっています。

その汎用性により、Ultralytics YOLO11 はさまざまなドメインにおける品質検査ワークフローの改善に役立ちます。物体検出やセグメンテーションなどのタスクを実行することで、製品の異常、損傷、亀裂、部品の欠損、梱包ミスなどの検出を支援します。

製造業界内でコンピュータビジョンモデルが使用されるいくつかの方法を見てみましょう。

エレクトロニクスにおける欠品や部品の配置ミスの検出#

コンピュータビジョンモデルは、製品に必要なアイテムがすべて揃っているかを確認できます。組み立てられた製品の部品欠品を検出して、完全性を保証します。

電子機器の製造において、最終製品が信頼性が高く正しい機能を持つことを保証するには、部品の欠品、配置ミス、はんだ付けの問題を特定することが不可欠です。

YOLO11のような物体検出モデルは、回路基板上の欠落または誤配置されたコンポーネントを検出するようにトレーニングできます。基板の画像をリアルタイムで分析し、抵抗器やコンデンサの欠落などの欠陥を特定できます。これにより、出荷前に各ユニットの組み立てが正しいことが保証されます。

自動車部品の亀裂検出#

亀裂検出は、画像やセンサーデータを分析して亀裂の位置、サイズ、および深刻度を特定するもう一つの検出タスクです。

自動車業界は、安全性基準を満たしていることを確認するために、歯車やブレーキシステムなどの複数のコンポーネントのひび割れを検出することが必要とされる一例です。

Ultralytics YOLO11 のようなモデルをトレーニングすることで、複雑な自動車部品の表面の傷や亀裂などの欠陥を素早く検出できます。

繊維製品の損傷検出#

コンピュータビジョンは、コンピュータビジョンタスクを使用して、製品表面のひっかき傷、へこみ、変形など、さまざまなタイプの損傷を検出するのに役立ちます。

繊維産業では、Ultralytics YOLO11 のような物体検出およびセグメンテーションモデルを使用することで、AIベースの損傷検出から大きなメリットを得ることができます。製造工程において、破れ、穴、シミ、生地の不均一などの欠陥を特定できます。

医薬品製造における異常検出#

異常検出とは、製品の設計、構造、外観、サイズを分析し、これらの特性が理想的な基準から逸脱しているかどうかを評価するタスクを指します。

医薬品製造において、医薬品の品質と安全性を確保するには異常検知が不可欠です。メーカーは Ultralytics YOLO11 を使用して、タブレットの形状やサイズの不一致、変色、異物などの不規則性を検出できます。

パッケージングとラベル付けの正確性#

製造におけるコンピュータビジョンモデルのもう一つの使用例は、業界のパッケージングとラベル付けです。例えば、食品・飲料業界では、消費者の安全とコンプライアンスのために厳格な基準を満たす必要があります。

Ultralytics YOLO11 のようなモデルは、不適切なラベリング、破損したパッケージ、安全シールの欠落などの梱包ミスの検出に役立ちます。また、ラベルが適切な位置に貼られており、明確なバーコードや有効期限が表示されていることを確認することもできます。

これにより、製品が業界規制に準拠し、消費者への流通の準備ができていることが保証されます。

AIベースの品質検査の課題と今後の方向性#

AIベースの品質検査フレームワークは今なお進化を続けており、数多くの課題に直面しています。ここでは、これらの技術に関して考慮すべきいくつかの制限と今後の研究の方向性を示します。

• オープンワールド学習とアクティブビジョン： ラベル付きデータの可用性が限られているため、新しいオブジェクトを検出する物体検出モデルの構築は困難です。教師なしトレーニングおよび転移学習モデルは、専門家が検出フレームワークを新しいデータセットに素早く適応させるのに役立ちます。
• ピクセルレベルの検出： 画像セグメンテーションにより、モデルは画像内の背景と主要なオブジェクトの違いを理解できます。物体検出とセグメンテーションの統合は、高品質な検査を確実にするために絶えず開発されている研究分野です。
• マルチモーダル学習： マルチモーダルモデルは、複数のデータ型を同時に統合して分析できます。物体検出において、マルチモーダル学習は、深度を理解するためのサーマルデータ、2次元画像、短いビデオ映像など、さまざまなデータ型から学習することで、検査の精度を向上させるのに役立ちます。

重要なポイント#

ディープラーニングベースの品質検査は、さまざまな物体検出モデルの絶え間ない開発により、指数関数的な進歩を遂げています。AIベースの品質検査により、製造業者は従来の手法よりも優れた拡張性と柔軟性を実現できます。

企業は Ultralytics YOLO11 などのモデルを使用して検査プロセスを自動化し、拡張されたアーキテクチャと特徴抽出機能の利点を活かして、より高い精度と高速な処理を実現できます。

YOLO11やその他の物体検出モデルの詳細については、当社のGitHubリポジトリをチェックし、活気あるコミュニティに参加して確認してください。最先端のディープラーニングフレームワークを通じて、Ultralyticsがどのように製造業を再定義しているかを探求してください。