検査員4分の1へ、毎分500個のチーズを5面撮影で見分けるAI外観検査

毎分500個の速度で流れる小さな個包装を、人の目だけで見続ける。神戸工場の検査工程は、長時間にわたって集中力を保ち続けることを前提にした作業でした。しかも良否の判断は検査員の熟練度に左右され、誰がその位置に立つかで結果が変わる余地が残っていました。

編集部の見立てでは、この現場が抱えていた本質的な問題は、人手の数でも流れる速さでもなく、良品と不良品を分ける線が検査員それぞれの経験の中にしか存在していなかったことにあります。線が言葉や数字になっていなければ、人を増やしてもばらつきは消えませんし、機械に任せようとしても何を教えればよいのかが決まりません。省人化に先立って、判断そのものを人の頭の外へ取り出す作業が避けられなかったのではないでしょうか。

検査員ごとにばらついていた品質基準を標準化し、明確な数値基準へ置き換えた工程が、この取り組みの土台になっています。AIの判定精度は学習データの質でほぼ決まりますが、そのデータに付ける正解ラベルは、基準が定まっていなければ誰にも付けられません。基準づくりを外部任せにせず、現場を知る側が主導して精度の高い学習モデルを作り上げた進め方は、判定のずれを後から補正する手戻りを構造的に減らします。

対象物の性質に合わせてデータ収集の段取りを組み替えた点も見逃せません。充填直後のチーズは柔らかく形状が変わりやすいため、ラインから排出される前に不良品へ急いでラベルを付けるという、時間に追われる地道な作業が求められています。撮りためた画像を後から机上で仕分ければ済む、という前提が通用しない対象に対し、収集のその場で正解を確定させる運用を選んだ判断が、学習データの信頼性を支えていると考えられます。

三つ目の要因は、精度が出ない原因を光学条件まで遡って潰していったことです。アルミ包装材の光沢や影が学習に悪影響を及ぼすという壁に対しては、モノクロカメラからカラーカメラへの変更やレンズの調整が繰り返され、そのたびに学習用データセットが作り直されました。清水建設という開発パートナーと役割を分担しながら、アルゴリズムの調整だけでなく撮影条件そのものを設計の変数として扱った点に、この進め方の粘り強さが表れています。

2022年10月に1号機で目標を達成したのを起点に、AI検査装置は複数台の生産装置へ横展開されました。目視確認を担当する検査員の数は、従来の約4分の1にまで減っています。検査業務から外れたスタッフは機械の運転や調整を学んでオペレーター補助へとスキルアップし、AIが不良判定を出した際に装置の不具合へ迅速に気づいて対応できる体制も生まれました。人員を減らした先に、異常の原因側へ手を打てる役割が残っている点は、省人化の成果として重要です。同社は今後、生産機器の劣化具合を検知して部品交換の時期を予測する予知保全へのAI活用も検討しています。