ものづくりの現場で不足する外観検査のベテラン人材
この問題を解決するディープラーニング活用最前線

日本経済の中で重要な位置を占める製造業。しかし、その現場では少子高齢化やバブル崩壊後の新規採用絞り込みなどによって、人材不足が目立つようになってきた。特に深刻なのが、出荷前の外観検査工程におけるベテランの不足である。そこで最近は、自動的に画像検査を行う検査機の導入も増えてきた。しかし異常パターンとの比較に基づく検査では誤検知が多くなり、結局は目視確認が必要になっている。そこで注目されているのがディープラーニングの活用だ。ディープラーニングによる外観検査はどこまで実用化されているのか。最前線を紹介しよう。

製造業は現在も日本経済のなかで重要な位置を占めており、日本企業が持つ「ものづくり」に関する高い技術力は、世界市場から依然として高い評価を受けている。しかしその現場は決して楽観できる状況ではない。人材不足が顕著になっており、ノウハウの継承が難しくなっているのだ。

なかでも大きな課題となっているのが、外観検査における人手不足である。これは出荷前の製品の外観をカメラで撮影し、その画像を人の目でチェックして正常か不良かを判断する工程。日本の製造業における「高品質」を支える上で、重要な役割を果たしている。ラインを流れる製品を短時間で確実にチェックするには、確かな判断力が必要だ。そのため従来は、経験豊富なベテラン人材が担当することが多かった。

しかし最近では、このような人材を確保することが難しくなっている。バブル経済崩壊後に長年にわたって新規採用を絞り込んだ結果、どの企業にも30~40歳代の中堅社員が少なくなっているからだ。そのため退職間近の社員や、すでに退職した人を再雇用するという形で人材を確保するケースも多かったが、最近ではこれも限界を迎えつつある。

こうした課題を解決するために、画像検査を自動化しようという取り組みが進んできた。異常パターンを洗い出し、それとの比較を行うことで異常を検出する検査機もすでに存在する。しかし実際には異常パターンをすべて洗い出すことは難しく、グレーゾーンが大きくなりやすい。その結果、誤検知(虚報)が多発し、結局は目視確認が必要になっている。

そこで最近はさらに一歩進んだ取り組みが始まっている。それがディープラーニング(人工知能)を活用した異常検出だ。では実際にどこまで実用化されているのだろうか。

異常に関する教師データ収集のハードルを新技術で解決

「人工知能には、人間が『特徴量』を抽出してこれを機械に学習させる『機械学習』と、特徴量を機械が自動的に抽出する『ディープラーニング』がある。ディープラーニングは機械学習に比べて、様々なパターンの特徴を捉えることに適しており、学習に要する時間や認識精度で大きなアドバンテージが得られる場合が多い。従来の画像処理では対応できず、人手による外観検査を行なっている部分をサポートするのに優れた技術だといえます」。こう語るのは、富士通 AIサービス事業本部 第一フロンティア事業部の永井 浩史だ。しかし機械学習に比べると、ディープラーニングは活用のハードルも高くなるという。人工知能が適切な判断を下すには学習のための教師データを用意する必要がある。ディープラーニングですべてのパターンを学習できるだけの大規模の教師データを収集することが課題となるケースが多い。「製造現場では正常品のデータは簡単に用意できますが、異常品のデータを大量に揃えるのは簡単ではありません。そのため外観検査でディープラーニングを活用することが難しかったのです」。

しかしこの問題も、2017年夏に解決できるようになったと永井は説明する。学習用画像を生成する新たな技術により「正常品のデータ」だけで、異常検知のための学習が行えるようになったからだという。

富士通はこの技術を活用した外観検査システムをいち早く立ち上げ、グループ企業の工場に導入した。正常品の画像を学習しただけで、異常品を自動検知する学習モデルを確立したのだ。具体的には、電子回路の基板上に実装された部品の状態を画像で診断し、部品の位置や角度が不適切なものを、自動的に検出するというもの。これまでは異常パターンを学習していたが、逆に正常パターンを学習し、それと違うものをピックアップするように視点を180度変えたことによって従来の検査機に比べて虚報を大幅に減らし、目視確認に必要な人的コストの削減に成功した(図1)。

「ここで利用している最新技術を利用するには高度な数学的知識が必要ですが、富士通にはこうした技術者が数多く所属しており、短期間で実用レベルのシステムを構築できました」と永井は語る。またグループ内に大規模な工場があり、ものづくりの現場ですぐに試せたことも、スピーディーな実現に寄与しているという。

図1:富士通グループですでに行われているディープラーニングによる製造品の異常検知(外観検査)の概要 図1:富士通グループですでに行われているディープラーニングによる製造品の異常検知(外観検査)の概要

続きは、こちらからお読みいただけます

ものづくりの現場で不足する外観検査のベテラン人材 この問題を解決するディープラーニング活用最前線

概要

  • 異常に関する教師データ収集のハードルを新技術で解決
  • ディープラーニングの活用ケースを体系化し、17種類のオファリングとして提供
  • スパコンと量子コンピューティングへの取り組みも加速に貢献

ページの先頭へ