AI外観検査で不良指摘を約95%削減、創業130年の不織布メーカーの検査体制

反射光と透過光を組み合わせて画像を取る設計が、この検査システムの出発点になっています。不織布は厚みがあり、表面で跳ね返る光だけでは、地合いの内側に入り込んだ異物までは写りません。提案されたのは、両方の光で得た画像をAIに学習させ、表面の傷や汚れと内部の異物を別々の見え方として扱う構成でした。過去に調査しても内部まで確認できる仕組みが見つからなかった検査を、光の当て方から組み替えて成立させた点が、最初の分岐だったと考えられます。

不良が極端に少ないという製造現場の実情に合わせ、良品学習（正常な状態を覚えさせ、そこから外れたものを異常として拾う手法）を選んだ判断も効いています。ただし検査範囲は広いのに探す不良は小さく、全体を写した画像だけではどこに異物があるのかAIに教えられません。そこで品質保証の担当者が、不良のある耳端にテープを貼り、そこから何センチの位置に異物があるかを記した位置情報マップを作り、画像とセットで渡す方法をとりました。学習データの正しさをベンダー任せにせず、製品を最もよく知る側が担保したこの分担が、精度の土台になっています。

精度が伸び悩んだ局面で、原因をモデルではなく照明という物理条件に求めた切り替えも見逃せません。不織布は種類ごとに厚みや密度が変わり、明るさによって見え方が揃わないため、画像処理専用の照明へ変更したうえで、ロールの仕上がり具合に応じて光量を自動調整する機能まで組み込まれました。平日はラインが動いていて手を入れられないという制約に合わせ、検査が止まる土曜日に一緒に調整したり、リモート接続で当日中に修正したりする進め方も、使いながら学習を重ねる形を支えています。