製造業の品質検査：従来手法とディープラーニング手法の比較

品質検査は、製品が要求される品質基準を満たしていることを確認する、製造における重要な作業です。しかし、製品の複雑性が増すにつれて、従来の検査手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。

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など、ディープラーニングベースの検査技術へ移行しています。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する、人工知能 (AI)の一分野です。これらの技術は、画像や動画を含む大規模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軽減に役立ちます。

AIベースの品質保証は、その汎用性と費用対効果により、ビジネスの収益性を大幅に高めます。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によって品質検査を改善する方法と、Ultralytics YOLO11によって複数の業界の検査を強化する方法について説明します。

製造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、または不整合がないかを評価します。

このプロセスは、製品が組立ラインを通過する生産中、または生産後で配送ラインに移される前に実施されます。

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、またはその基準を満たしているかを確認します。

しかし、品質要求が高まるにつれて、製造業者は業務における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アプローチへ移行しています。

ディープラーニングアプローチとは？#

ディープラーニングアプローチでは、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構成されます。各ニューロンは数学的計算を実行してデータを分析し、パターンを識別して予測を生成します。

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して抽出するコンピュータービジョン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性能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、損傷、亀裂、欠品を検出して位置を特定するために複数の手法を使用します。以下では、最新のディープラーニングアプローチを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あり、物体に欠陥が存在するかどうかを判定することなどを指します。

分類モデルは、視覚データに基づいて二値の「はい／いいえ」判定を出力します。これにより欠品を検出できます。例えば、分類モデルは製品内の部品が欠け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。

マルチクラス分類#

マルチクラス分類とは、画像を2つを超えるクラスに分類するタスクです。各画像を複数の事前定義された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画像を分析し、複数の損傷または亀裂の種類について確率を返すことで、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マルチクラス分類。

これは、傷、へこみ、亀裂など、さまざまな欠陥に異なる処置が必要となる可能性がある製造現場で役立ちます。

位置特定#

位置特定とは、画像内にある物体または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用して、損傷の特定領域を示す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、欠陥の正確な位置が対象を絞った修理に必要となる、建物や産業部品の亀裂検出などのタスクに役立ちます。

図4. 打ち抜き穴の位置を特定するモデル。

例えば、インフラ保全では、位置特定モデルがコンクリート構造物の画像を分析し、亀裂がある正確な領域をマーキングできます。

マルチクラス位置特定#

マルチクラス位置特定では、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、各欠陥を複数の事前定義された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位置を特定し、より詳細な情報を提供します。

図5. 複数の欠陥タイプの位置を特定するモデル。

例えば、マルチクラス位置特定モデルは損傷した物品の画像を分析し、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。

従来のアプローチとディープラーニングアプローチの比較#

従来の検査手法はより柔軟性が低く、しきい値、事前定義されたチェックリスト、合否基準など、ユーザーが定義したルールや基準に従います。

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、システムが専門家に通知します。

ディープラーニングアプローチは、より複雑な検出システムを構築するための柔軟性を高めます。これらのアプローチでは、欠陥のある物体の画像からなる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。トレーニング後、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特定できます。

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

品質検査にコンピュータービジョンを使用する#

一度だけ見る（YOLO）は、高い精度、適応性、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。最新のイテレーションはUltralytics YOLO11であり、特徴抽出、速度、精度、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を実現する改良されたアーキテクチャを備え、より高速な処理速度を実現する最適化済みのトレーニングパイプラインを含みます。以前のモデルよりパラメーター数が22%少なく、精度スコアが高いため、計算効率も向上しています。

Ultralytics YOLO11は汎用性に優れているため、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することで、製品の異常、損傷、亀裂、欠品、包装エラーの検出に役立ちます。

製造業でコンピュータービジョンモデルを活用できるいくつかの方法を見ていきましょう。

電子機器における欠品および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、製品に必要なすべての部品がそろっているかを確認できます。組み立て済み製品の欠品部品を検出し、完全性を確保できます。

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に、欠品部品、位置ずれした部品、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、回路基板上の欠品部品や配置ミスのある部品を検出でき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品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#

亀裂検出も検出タスクの一つであり、画像やセンサーデータを分析して、亀裂の位置、サイズ、深刻度を特定します。

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、安全基準を満たしていること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、複雑な自動車部品の表面の傷や亀裂などの欠陥を迅速に検出でき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は、コンピュータービジョンタスクを使用して、製品表面の傷、へこみ、変形など、さまざまな種類の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用したAIベースの損傷検出により、大きなメリットを得られます。生産工程中に、裂け、穴、汚れ、布地の不整合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です。

医薬品製造では、医薬品の品質と安全性を確保するために異常検出が不可欠です。製造業者はUltralytics YOLO11を使用して、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。

包装およびラベル表示の正確性#

製造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、業界の包装およびラベル表示も挙げられます。例えば、食品・飲料業界は、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などのモデルは、誤ったラベル表示、破損した包装、安全シールの欠落などの包装エラーの検出に役立ちます。また、ラベルが正しい位置に貼付され、バーコードや有効期限が明瞭であることも確認できます。

これにより、製品が業界規制に準拠し、消費者への流通に適した状態であ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ベースの品質検査フレームワークは現在も進化を続けており、多くの課題に直面しています。ここでは、これらの技術について考慮すべきいくつかの制約と今後の研究の方向性を紹介します。

• 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。物体検出とセグメンテーションの統合は、高品質な検査を実現するために継続的に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、複数の種類のデータ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、深度の理解に役立つ熱データ、2次元画像、短い動画映像など、異なる種類のデータから学習することで、検査の精度向上に役立ちます。

主なポイント#

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継続的な開発により、飛躍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高いスケーラビリティ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、強化されたアーキテクチャと特徴抽出機能を活用し、検査プロセスを自動化できます。これにより、精度の向上と処理速度の高速化が実現します。

YOLO11やその他の物体検出モデルについて詳しくは、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。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が製造をどのように変革しているかをご覧ください。