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求められる品質基準を満たしていることを保証するための重要な業務です。しかし、製品の複雑さが増すにつれ、従来の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。

製造業者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に移行しつつあります。ディープラーニングは人工知能 (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で、検査ワークフローの自動化と人間の検査員への依存度の低減を支援します。

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。

本記事では、ディープラーニング手法がどのように品質検査を改善できるか、そしてUltralytics YOLO11がどのように複数の業界で検査を強化できるかを解説します。

Link to this section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。

Link to this section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アプローチは、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構成されています。各ニューロンは数学的な計算を実行してデータを分析し、パターンを識別し、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、製品画像から自動的に特徴を学習・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。

Once validated, experts can deploy these models on cameras and sensors using various deployment tools such as PyTorch, ONNX, and OpenVINO.

Link to this section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。

Link to this section二値分類#

二値分類とは、物体に欠陥があ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。

Link to this section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. 曲がりと色を検出する多クラス分類。

これは、引っかき傷、へこみ、あるいは亀裂など、さまざまな欠陥がそれぞれ異なる処理手順を必要とする製造業において役立ちます。

Link to this sectionローカライゼーション（局所化）#

ローカライゼーションとは、画像内の物体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バウンディングボックスや、損傷の特定の領域を強調する座標を予測します。

これは、建物や工業部品における亀裂検出のようなタスクで有用であり、的を絞った修理には欠陥の正確な位置が必要となります。

図4. パンチ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。

Link to this section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。

Link to this section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。

Deep-learning approaches offer greater flexibility for building more complex detection systems. These approaches involve collecting and annotating extensive datasets of images of defective objects. Experts use the annotated data to train object detection models such as Ultralytics YOLO11. Once trained, they can deploy the model in cameras or sensors to capture images and identify defects in real time.

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

Link to this section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。その最新版であるUltralytics YOLO11は、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を実現するための優れたアーキテクチャを備えており、より高速な処理速度の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。前モデルよりも計算効率が高く、パラメータ数が22%削減され、精度スコアも向上しています。

その汎用性の高さから、YOLO11は複数の領域において品質検査ワークフローの改善を支援します。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、製品内の異常、損傷、亀裂、欠品、パッケージングエラーの検出を支援できます。

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。

Link to this section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、回路基板上の部品の欠品や配置ミスを検出するようにトレーニングできます。リアルタイムで基板の画像を分析し、抵抗器やコンデンサの欠品などの欠陥を識別します。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。

Link to this section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、ギアやブレーキシステムなどの複数のコンポーネントで亀裂を検出し、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ひっかき傷や亀裂のような欠陥を迅速に検出するようにトレーニングできます。

Link to this section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。

繊維業界は、YOLO11のような物体検出・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多大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、シミ、生地の不整合などの欠陥を識別できます。

Link to this section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、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、または異物の混入といった不整合などの異常を検出できます。

Link to this section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。

YOLO11のようなモデルは、誤ったラベル付け、パッケージの損傷、安全シールの欠如といった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、ラベルが正しい位置に貼られ、バーコードや有効期限が明確であるかも検証できます。

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。

Link to this sectionAI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まだ進化の途上にあり、数多くの課題に直面しています。これらの技術について考慮すべきいくつかの制限と今後の研究の方向性を以下に示します。

• オープンワールド学習とアクティブビジョン： 新しい物体を検出する物体検出モデルの構築は、ラベル付きデータの可用性が限られているため困難です。教師なし学習および転移学習モデルは、専門家が新しいデータセットに検出フレームワークを迅速に適応させるのを支援します。
• 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と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、高品質な検査を保証するために絶えず開発が進められている研究領域です。
• マルチモーダル学習： マルチモーダルモデルは、複数のデータタイプを統合して同時に分析できます。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熱データ、2次元画像、短い動画映像など、異なるデータタイプから学習することで検査の精度向上に貢献します。

Link to this section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YOLO11のようなモデルを使用して検査プロセスを自動化でき、その強化されたアーキテクチャと特徴抽出能力を活用することで、精度の向上と速度の高速化を実現できます。

YOLO11やその他の物体検出モデルについての詳細は、当社のGitHubリポジトリをチェックし、活発なコミュニティに参加することで学ぶことができます。Ultralyticsが最先端のディープラーニングフレームワークを通じてどのように製造を再定義しているかを探求してください。