コンピュータービジョン
Computer Vision
コンピュータービジョンとは?
- コンピューターが画像・映像を「見て」理解する
- 顔認識・不良検出・自動運転の「目」
- CNNが代表的な技術
コンピュータービジョンを導入して実際に変わるのは「判定の一貫性」です。人の検査員は午前と午後で基準が異なり、熟練度によって判断が分かれますが、ビジョン検査は同じ画像に同じ答えを出し、判定の根拠となった写真と座標がすべて残ります。そのため導入効果は「人を減らせた」よりも、不良がどこで、なぜ流出したのかを追跡できるようになったことに、まず表れます。判定記録がデータとして蓄積されることが、設備改善や取引先からのクレーム対応の根拠になります。
現場で出会う形は大きく5つです。画像全体に名前を付ける分類、位置まで四角で捉える検出、ピクセル単位で領域を切り出すセグメンテーション、文字を読むOCR、そして正常なパターンだけを学習して外れたものを捉える異常検知です。不良サンプルが数十枚しかないラインでは、前の3つよりも異常検知が現実的です。要件も異なります。検出モデルは種類ごとに数百から数千枚のラベル付き画像が必要で、照明・角度・背景が変わると性能がそのまま崩れます。処理場所も選択肢があり、ラインが毎秒複数を流すならクラウドとの往復の代わりに、現場の機器で数十ミリ秒以内に終わらせるエッジ方式を使います。画像を説明してくれるマルチモーダルAIと、0.2mmの傷を判定する専用のビジョンモデルは用途の違うツールです。
現場で最もつまずきやすいのは「カメラを付ければ済む」という考えです。プロジェクトの工数の半分は、照明と治具、つまり毎回同じ条件で撮影できるようにする作業に費やされます。二つ目は精度の数字です。不良率0.5%のラインでは、全部良品と答えても精度は99.5%と表示されます。本当に見るべき数字は、見逃した不良の割合である見逃し率と、良品を弾いた割合である過検率で、見逃し1件は取引先のクレームに、過検の急増は良品の廃棄と検査員の再作業につながります。三つ目は、一度学習させれば終わりだという思い込みです。部品の仕様や素材の調達先が変わると、数か月で検出率は崩れるため、四半期ごとの再学習と性能点検を運用規定に入れなければ、高価なカメラは結局、電源が切られたまま放置されます。
1960年代から研究されてきた古い分野で、2012年にディープラーニング(AlexNet)が画像認識性能を飛躍的に引き上げ、実用化が加速しました。
仮想の事例で見ていきます。自動車部品を作るA社は役職員180名、年間売上420億ウォン(約502,278万円)規模の2次協力会社です。外観検査を3交代12名が目視で行ってきましたが、昨年、取引先に流出した検出漏れの不良が9件発生し、ライン停止の賠償まで負担しました。品質保証チームが6か月のビジョン検査導入の課題を担うことになりました。
- 品質保証チームのパク課長が3か月分の不良写真1,200枚を集めてみると、ラベルがばらばらでした。「傷と押し跡を検査員ごとに別々に書いていた」という言葉を受けて、判定基準の写真帳から作り直しました。
- 最初の試験モデルの検出率は71%にとどまりました。原因はアルゴリズムではなく照明だという診断が出たため、設備技術チームがリング照明と固定治具を取り付けて撮影条件を統一したところ、89%に上がりました。
- 不良サンプルが種類ごとに40枚しかなかったため、良品8,000枚だけを学習させる異常検知方式で組みました。見逃し率0.3%以下、過検率5%以下を合格ラインとして、ベンダーとの契約書に明記しました。
- 2か月間、検査員3名がAIの判定の後をそのまま追いかけました。ラインリーダーが「過検で弾かれたものだけを人が再確認する」というルールを立てたところ、1日の再確認件数は220件から60件に減りました。
- 毎四半期、新規不良画像300枚で再学習する日程を品質会議の定例議題に入れました。素材の供給先が変わった第4四半期には、検出率が6%ポイント下がったのを2週間で捉えました。
- 1年後、取引先での流出は9件から1件に、1個あたりの検査時間は22秒から4秒に減りました。検査要員12名のうち6名は組立・梱包工程へ配置転換しました。
金鍾赫
キム・ソンイル