最新の物体検出モデルが、製造業における品質検査の自動化にどのように役立つかを学びます。
YOLO Vision 2025にご期待ください！
2025年9月25日
10:00 — 18:00（英国夏時間）
ハイブリッドイベント
最新の物体検出モデルが、製造業における品質検査の自動化にどのように役立つかを学びます。
品質検査は、製品が必要な品質基準を満たしていることを保証する製造における重要なタスクです。ただし、従来の検査方法を使用して品質を評価すると、製品の複雑さが増すにつれてコストがかかる可能性があります。
製造業者は、検査コストを削減するために、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深層学習ベースの検査技術に移行しています。深層学習は、人工知能（AI）のサブフィールドであり、ニューラルネットワークと呼ばれるコンピューター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します。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により、検査ワークフローを自動化し、人間の検査官への依存を減らすのに役立ちます。
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、製造業は2035年までにAIから3兆米ドル以上の利益を得られる可能性があります。
この記事では、深層学習の手法が品質検査をどのように改善できるか、また、Ultralytics YOLO11が複数の産業における検査をどのように強化できるかについて説明します。
品質検査では、製品が消費者の手に届く前に、欠陥、異常、または矛盾がないか評価します。
このプロセスは、製品が組立ラインを移動する製造中、または製造後、アイテムが流通ラインに移動する前に発生する可能性があります。
多くの場合、製品が望ましい設計基準から逸脱しているか、満たしていないかを確認するために、人間の専門家が視覚的な評価を行います。
しかし、品質要求の高まりに伴い、製造業者は、オペレーションにおける俊敏性と拡張性を高めるために、自動化された深層学習アプローチへと移行しています。
深層学習アプローチでは、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、ニューロンが相互接続された層で構成されています。各ニューロンは、データを分析し、パターンを識別し、予測を生成するために、数学的な計算を実行します。
品質検査では、深層学習モデルには、製品画像から自動的に特徴を学習および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を開発するには、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メントツールを使用して、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。
ビジョンベースの品質検査では、複数の方法を使用して、損傷、ひび割れ、および欠落したアイテムを検出して特定します。以下のリストは、4つの最新の深層学習アプローチを示しています。
二値分類とは、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、例えば、オブジェクトに欠陥が存在するかどうかを判断することです。
視覚データに基づいて、分類モデルはバイナリのyes/noの決定を出力します。これらは、不足しているアイテムを検出するのに役立ちます。たとえば、分類モデルは、製品にアイテムが不足しているかどうかを検出できます。
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、マルチクラス分類モデルは、製品の画像を分析し、複数の損傷または亀裂タイプの確率を返し、どれが最も可能性が高いかを示すことができます。
これは、傷、へこみ、ひび割れなど、さまざまな欠陥に対して異なる処理手順が必要となる製造業で役立ちます。
ローカリゼーションとは、画像内のオブジェクトまたはフィーチャの特定の位置を識別することを指します。これは、物体検出モデルを使用して、損傷の特定領域を強調表示するバウンディングボックスまたは座標を予測します。
これは、建物や工業部品の亀裂検出など、ターゲットを絞った修理に必要な欠陥の正確な位置を特定するタスクに役立ちます。
例えば、インフラのメンテナンスでは、ローカリ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できます。
多クラス локализацияは、画像内の複数の欠陥を識別して位置を特定すると同時に、各欠陥をあらかじめ定義された複数のカテゴリのいずれかに分類します。
より高度な物体検出モデルを使用して、欠陥の種類と場所を特定し、より詳細な情報を提供します。
例えば、マルチクラスローカリゼーションモデルは、損傷したアイテムの画像を分析し、傷や亀裂などの欠陥の種類と、オブジェクト内の欠陥の正確な座標を示すことができます。
従来の検査方法はより厳格で、ユーザー定義のルールと基準（しきい値、事前定義されたチェックリスト、合否基準など）に従います。
例えば、ルールベースのビジョン技術では、専門家が特定の製品の理想的な色、形状、サイズを定義します。カメラまたは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した場合、システムは専門家に通知します。
深層学習アプローチは、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では、欠陥のあるオブジェクトの画像の広範なデータセットを収集し、アノテーションを付ける必要があります。専門家は、アノテーションが付けられたデータを使用して、物体検出モデル（Ultralytics YOLO11など）をトレーニングします。トレーニングが完了すると、カメラまたはセンサーにモデルをデプロイして、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、YOLO11が品質検査にどのように使用できるかを見ていきます。
You-Only-Look-Once (YOLO)は、その高い精度、適応性、そして速度で知られる、最先端（SOTA）のリアルタイム物体検出モデルです。その最新のイテレーションはUltralytics YOLO11であり、特徴抽出、速度、精度、そして適応性の点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、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。以前のバージョンよりも計算効率が高く、パラメータ数が22%少なく、精度スコアが高くなっています。
YOLO11はその汎用性により、様々な分野における品質検査ワークフローの改善に役立ちます。オブジェクト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、欠品、およびパッケージングエラーの検出を支援します。
製造業において、コンピュータビジョンモデルがどのように活用できるか、いくつかの方法を見てみましょう。
コンピュータビジョンモデルは、製品に必要なものがすべて揃っているかどうかを確認できます。組み立てられた製品に不足しているコンポーネントを検出して、完全性を確保できます。
電子機器の製造においては、最終製品の信頼性と適切な機能性を確保するために、部品の欠落、部品のずれ、またははんだ付けの問題を特定することが重要です。
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、欠落している抵抗器やコンデンサなどの欠陥を特定できます。これにより、各ユニットの組み立てが出荷前に正しいことが保証されます。
亀裂検出は、画像またはセンサーデータを分析して、亀裂の位置、サイズ、および重大度を特定する別の検出タスクです。
自動車産業は、ギアやブレーキシステムなどの複数の部品の亀裂を検出し、安全基準を満たしていることを確認する必要がある一例です。
YOLO11のようなモデルは、複雑な自動車部品の表面の傷やひび割れなどの欠陥を迅速に検出するようにトレーニングできます。
コンピュータビジョンは、製品表面の様々な種類の損傷（傷、へこみ、変形など）を検出するのに役立ちます。
繊維産業は、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により、AIベースの損傷検出から大きな恩恵を受けることができます。製造プロセス中に、破れ、穴、汚れ、または生地の不整合などの欠陥を特定できます。
異常検知とは、製品の設計、構造、外観、およびサイズを分析して、これらの特性が望ましい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、異常検出は医薬品の品質と安全性を確保するために不可欠です。製造業者はYOLO11を使用して、錠剤の形状、サイズ、変色、または異物などの異常を検出できます。
コンピュータビジョンモデルが製造で使用できる方法のもう1つの例は、業界のパッケージングとラベリングです。たとえば、食品および飲料業界は、消費者の安全とコンプライアンスに関する厳格な基準を満たす必要があります。
YOLO11のようなモデルは、不正確なラベル、損傷したパッケージ、または安全シールがないなど、パッケージングのエラーを検出するのに役立ちます。また、ラベルに明確なバーコードまたは有効期限が正しく配置されていることを確認できます。
これにより、製品が業界の規制に準拠し、消費者への販売準備が整います。
AIベースの品質検査フレームワークはまだ進化しており、多くの課題に直面しています。これらのテクノロジーについて考慮すべきいくつかの制限事項と今後の研究の方向性を示します。
深層学習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、製造業者は従来のアプローチよりも優れた拡張性と柔軟性を実現できます。
企業は、YOLO11などのモデルを使用して検査プロセスを自動化できます。YOLO11の強化されたアーキテクチャと特徴抽出機能を利用することで、精度が向上し、速度が向上します。
YOLO11およびその他の物体検出モデルの詳細については、GitHubリポジトリを確認し、活発なコミュニティにご参加ください。Ultralyticsが最先端の深層学習フレームワークを通じて製造業をどのように再定義しているかをご覧ください。
