製造業における品質検査：従来の手法とディープラーニング手法

製造における品質検査は、製品が求められる品質基準を満たしていることを確認する重要な作業です。しかし、製品の複雑さが増すと、従来の検査方法による品質評価には多くのコストがかかる可能性があります。

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など、ディープラーニングを活用した検査手法へ移行しています。ディープラーニングは人工知能（AI）の一分野であり、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用いて、データ内の複雑なパターンを識別します。これらの手法は、画像や動画を含む大規模なデータセットを分析し、検査ワークフローの自動化と人間の検査員への依存軽減に役立ちます。

汎用性と費用対効果の高さから、AIベースの品質保証は事業の収益性を大きく高めます。レポートによると、製造業は2035年までにAIから3兆米ドルを超える利益を得られる可能性があります。

この記事では、ディープラーニング手法が品質検査をどのように改善できるか、またUltralytics YOLO11が複数の業界の検査をどのように強化できるかを解説します。

製造業における品質検査とは？#

品質検査では、製品が消費者に届く前に、欠陥、異常、不整合がないかを評価します。

この工程は、製品が組立ラインを通過する生産中、または生産後で流通ラインに移る前に実施できます。

多くの場合、人間の専門家が目視評価を行い、製品が望ましい設計基準から逸脱していないか、基準を満たしているかを確認します。

しかし、品質への要求が高まるにつれ、製造業者は業務の俊敏性とスケーラビリティを高めるため、自動化されたディープラーニングの手法へ移行しています。

ディープラーニングの手法とは？#

ディープラーニングの手法では、人間の脳の仕組みを原理と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に接続されたニューロンの層で構成されます。各ニューロンは数学的な計算を行い、データを分析してパターンを特定し、予測を生成します。

図1. 人工ニューラルネットワーク。

品質検査における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・抽出するコンピュータービジョンのフレームワークが含まれます。

コンピュータービジョンモデルの開発では、専門家が関連するデータセットを使って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性能を確認する必要があります。

検証後、専門家はCamerasやセンサーにモデルをデプロイできます。デプロイツールとしては、TorchScript、ONNX、OpenVINOなどを利用できます。

品質検査におけるディープラーニングの手法#

ビジョンベースの品質検査では、さまざまな手法を使って損傷、亀裂、欠品を検出し、その位置を特定します。以下では、現代的なディープラーニング手法を4つ紹介します。

二値分類#

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です。たとえば、物体に欠陥があるかどうかを判定します。

分類モデルは、視覚データに基づいて二択の判定結果を出力します。欠品の検出に役立ちます。たとえば、製品内にアイテムが欠けているかどうかを分類モデルで検出できます。

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2つを超える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。

たとえば、多クラス分類モデルは製品画像を分析し、複数の損傷や亀裂の種類について確率を出力して、どの種類が存在する可能性が最も高いかを示します。

図3. 曲がりと色の欠陥を検出する多クラス分類。

これは、傷、へこみ、亀裂など、欠陥の種類によって異なる処理が必要になる製造業で役立ちます。

位置特定#

位置特定とは、画像内にある物体や特徴の具体的な位置を特定することです。物体検出モデルを使ってバウンディングボックスや座標を予測し、損傷のある領域を示します。

これは、建物や工業部品の亀裂検出など、対象を絞った修理に向けて欠陥の正確な位置を特定する必要があるタスクに有効です。

図4. 打ち抜き穴の位置を特定するモデル。

たとえば、インフラの保守では、位置特定モデルがコンクリート構造物の画像を分析し、亀裂の正確な位置を示すことができます。

多クラス位置特定#

多クラス位置特定では、画像内の複数の欠陥を検出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って欠陥の種類と位置を特定し、より詳細な情報を提示します。

図5. 複数の欠陥タイプの位置を特定するモデル。

たとえば、多クラス位置特定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、物体内における欠陥の正確な座標を示すことができます。

従来の手法とディープラーニングの手法#

従来の検査方法はより固定的で、しきい値、事前定義されたチェックリスト、合否判定基準など、ユーザーが定義したルールや基準に従います。

たとえば、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。カメラなどの画像取得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手法は、より複雑な検出システムを構築するうえで柔軟性に優れています。これらの手法では、欠陥のある物体の画像を含む大規模なデータセットを収集し、アノテーションします。専門家はアノテーション済みデータを使って、Ultralytics YOLO11などの物体検出モデルをトレーニングします。トレーニング後、モデルをカメラやセンサーにデプロイして画像を取得し、欠陥をリアルタイムで特定できます。

次のセクションでは、品質検査にUltralytics YOLO11を活用する方法を見ていきます。

品質検査におけるコンピュータービジョンの活用#

一度見るだけで検出する（YOLO）は、最先端（SOTA）のリアルタイム物体検出モデルであり、高い精度、適応性、速度で知られています。執筆時点での最新バージョンはUltralytics YOLO11であり（後にUltralytics YOLO26が登場）、特徴抽出、速度、精度、適応性において以前のバージョンを上回っています。

より正確な特徴抽出を実現する優れたアーキテクチャを備え、処理速度を高めるために最適化されたトレーニングパイプラインを含んでいます。計算効率も向上しており、YOLO11mはYOLOv8mよりパラメーター数が22%少ない一方で、より高い精度を達成しています。

汎用性の高さから、Ultralytics YOLO11は複数の分野で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し、製品の異常、損傷、亀裂、欠品、包装ミスを検出できます。

製造業でコンピュータービジョンモデルを活用する方法をいくつか見ていきましょう。

電子機器における欠品や部品の配置ミスの検出#

コンピュータービジョンモデルは、製品に必要なアイテムがすべてそろっているかを確認できます。組み立て済み製品の部品の欠落を検出し、完全性の確認に役立ちます。

電子機器の製造では、最終製品の信頼性と適切な機能を確保するため、部品の欠落、位置ずれ、はんだ付けの問題を特定することが重要です。

YOLO11などの物体検出モデルは、回路基板上の部品の欠落や配置ミス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ーの欠落などの欠陥を特定できます。PCB部品検出などの公開データセットは、こうしたモデルのトレーニングを始めるのに適しています。これにより、出荷前に各ユニットが正しく組み立てられていることを確認できます。

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、亀裂の位置、サイズ、深刻度を特定する検出タスクです。

自動車業界は、ギアやブレーキシステムなど複数の部品の亀裂を検出し、安全基準への適合を確認する必要がある分野の一例です。

Ultralytics YOLO11などのモデルは、複雑な自動車部品にある表面の傷や亀裂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。

繊維製品の損傷検出#

コンピュータービジョンタスクを使うことで、製品表面の傷、へこみ、変形など、さまざまな損傷を検出できます。

繊維業界では、Ultralytics YOLO11などの物体検出モデルやセグメンテーションモデルを使ったAIベースの損傷検出から、大きなメリットを得られます。生産工程で、破れ、穴、染み、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知#

異常検知とは、製品の設計、構造、外観、サイズを分析し、これらの特性が望ましい基準から逸脱しているかを評価するタスクです。

医薬品製造では、医薬品の品質と安全性を確保するうえで、異常検知が不可欠です。製造業者はUltralytics YOLO11を使って、錠剤の形状やサイズの不整合、変色、異物などの異常を検出できます。

包装とラベルの正確性#

製造業におけるコンピュータービジョンモデルの活用例として、さまざまな業界の包装やラベル表示があります。たとえば、食品・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。

Ultralytics YOLO11などのモデルは、誤ったラベル、包装の損傷、安全シールの欠落などの包装ミスを検出できます。また、ラベルが正しい位置にあり、バーコードや有効期限が明瞭に表示されていることも確認できます。

これにより、製品が業界の規制に準拠し、消費者への流通に向けて準備が整っていることを確認できます。

AIベースの品質検査における課題と今後の方向性#

AIベースの品質検査のフレームワークはまだ発展途上であり、多くの課題に直面しています。こうした技術について考慮すべき制約と今後の研究の方向性をいくつか紹介します。

• オープンワールド学習とアクティブビジョン：ラベル付きデータが限られているため、新しい物体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や転移学習モデルは、専門家が検出フレームワークを新しいデータセットに迅速に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物体の違いを理解できます。高品質な検査を実現するため、物体検出とセグメンテーションの統合は、継続的に研究が進められている分野です。
• マルチモーダル学習: マルチモーダルモデルは、複数の種類のデータを同時に統合して分析できます。物体検出では、熱データ、2次元画像、短い動画など、異なる種類のデータから学習することで、検査精度の向上に役立ちます。

重要なポイント#

物体検出モデルの継続的な開発により、ディープラーニングを活用した品質検査は急速に進歩しています。AIを活用した品質検査を導入すると、メーカーは従来の手法よりも高い拡張性と柔軟性を実現できます。

企業はUltralytics YOLO11などのモデルを使って検査工程を自動化できます。強化されたアーキテクチャと特徴抽出機能を活用することで、精度の向上と処理の高速化が可能です。

YOLO11やその他の物体検出モデルについて詳しく知るには、GitHubリポジトリをご覧いただき、活発なコミュニティにご参加ください。Ultralyticsがコンピュータービジョンを活用して製造をどのように支援しているかをご覧ください。