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

検査が雑だったわけではありません。1本あたり約1時間をかけ、2名で表裏を確認する体制が組まれ、疲労がたまらないよう休憩を増やしたり別工程を挟んだりする調整も行われていました。それでも見逃しは残り、検査員の熟練度や疲労の度合いによって精度がぶれる。不織布は厚みがあるため地合いのムラは表面からは判断できず、成形後に初めて見えてくる内部の異物にいたっては、表面を眺めるだけでは手の打ちようがありませんでした。自動車の天井内装材として出荷された製品は、客先の加工後に不良が見つかると外観不良として全体が廃棄対象となり、補償対応と数十時間規模の報告書作成が続きます。

編集部の見立てでは、この困りごとの本質は見逃しの数ではなく、検査の難易度が人の生理的な限界を超えていたことにあります。数時間続けて欠点を探し続ける作業は人には不可能だという現場の言葉が、その線引きを端的に示しています。熟練や気合いで埋められる差ではない領域が残っていた以上、増員や工夫を重ねても頭打ちになるのは避けがたかったのではないでしょうか。

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。

客先からの不良指摘は、1台目のシステムで半減し、今回の検査機が稼働してからは月数件、約95%の削減に至っています。1本あたり約1時間かかっていた検査時間も30〜35分程度まで短縮されました。残る指摘は不良の取り方や成形工程に起因するものへと内容が変わり、見落としに由来するものは大きく減少。検査員からは検査が楽になったという声が出ており、補償対応や報告書作成に費やしていた見えないコストも軽くなっています。検知精度が上がったことで発生要因の究明が進み、材料や設備のメンテナンスなど上流での対策に時間を割ける状態が生まれました。