ブログ

ディープラーニングによる自動車産業の検査自動化

deep learning for automotive inspections

自動車メーカーは、マシンビジョンによって提供される機械化、自動化、生産性の向上を業界で初めて採用した産業の1つです。現在、自動車内部のほぼすべてのコンポーネント、システム、サブアセンブリは、マシンビジョンとバーコード読み取り技術で製造されています。人工知能の大きな進歩により、現在、多くの自動車メーカーや部品メーカーは、ディープラーニングを採用した画像解析ソフトウェアに視線を向け、最近まで複雑すぎて自動化できなかった手作業を自動化しています。

従来、これらのアプリケーションには、予測不可能な部品の位置、複雑における外観検査、分類など、単純に自動化できないマシンビジョンアルゴリズムの検査カテゴリがありました。ディープラーニングソフトウェアを使用してこれらのカテゴリのアプリケーションを自動化することにより、メーカーは欠陥や誤判断を制限し、生産性を向上させることができます。このテクノロジを導入することにより、全体的な品質の向上や労力の最小化も計れます。

自動車メーカーが、欠陥検出、光学式文字認識 (OCR)、組立検証、分類を改善するために、現在工場でディープラーニングベースの画像解析を採用している様子をご覧ください。

欠陥検出

自動車メーカーは、部品やサブアセンブリの完全性を確保する大きなインセンティブがあり、わずかな欠陥が部品の機能と安全性を損なう可能性があります。しかし、すべての外観的欠陥が機能に悪影響を及ぼす原因であるとはいえません。

たとえば、往復エンジンのピストンの場合を考えてみましょう。ピストンの溶接シームに傷があると、その性能に悪影響を及ぼします。その他の錆の斑点や表面的な亀裂や裂け目などは、単なる外観の傷です。しかし、これらの欠陥の違いは、見た目が微妙(傷が亀裂に似ているなど)と画像処理の問題があることから、自動検査システムでは評価が難しい場合があります。

表面の金属溶接は、鏡面反射によってカメラを混乱させる可能性があります。このため、多くのメーカーは、金属溶接の概観検査を自動化せず、検査員による検査を採用し続けてきました。検査官による検査は時間がかかり、疲労しますが、外観の繊細な違いを正しく識別し、特徴付けることに長けているからです。

ディープラーニング欠陥検出検査

幸いなことに、ディープラーニングの進歩により、溶接などの金属表面上の予測不可能で可変的な欠陥を自動的に検出し、特徴付けることが検査官でなくてもできるようになりました。新しい強力なソフトウェアは、人の目や脳と同様に、これらの欠陥を特定するだけでなく、特徴付けることができるのです。この種の検査をプログラミングするには、膨大な欠陥ライブラリする複雑なアルゴリズムが必要になります。それでも、検査でエラーが発生する可能性があります。

対照的に、ディープラーニング アルゴリズムは、サンプル画像を登録し、そこから溶接欠陥の独自のモデルを形成します。これらのシステムは、最初の登録で、ぼやけた、焦点の合わない画像や複雑な背景に対応し、微小な違いの理解、認識、分類を効果的に行います。そしてもちろん、もう1つのメリットはその処理速度です。これらのプログラムは、ソフトウェアのみ、または直接オンボードのスマートカメラとして実行できるため、高速で高い整合性を発揮します。このように、ディープラーニングシステムは、処理速度と整合性に人の知性という無敵の組み合わせを実現します。

潜在的に傷が多く、照明が不十分な環境でも、ディープラーニングベースの解析により、従来のマシンビジョン検査に代わる簡単かつ確実な検査が可能になります。ランタイムでシステムに登録した後、ディープラーニング採用ソフトウェアは、無関係なばらつきを認識して排除し、溶接ビード余盛りの過大または不足などの溶接画像を欠陥として特徴付けることができます。

光学式文字認識

自動文字読み取りでは、照明反射や鏡面反射、およびカラー塗料が存在すると、検査システムが混乱することがあります。通常、OCR および光学式文字検証 (OCV) ツールは、文字を読み取りや正確性を検証するために文字を認識し、ユーザーには処理速度と読み取り率に合わせてシステムを最適化するオプションが提供されます。

現在利用可能な OCR/OCV ツールの大半は、きれいな白い背景に印刷された黒いフォントを素早く確実に読むことができます。当然のことながら、このような理想的な条件は、ほとんどの産業環境では非現実的です。高度なアルゴリズムでは、ほとんどの印刷フォントを学習して読み取ることができます。印字と背景のコントラストがほとんどなく、幅と高さにばらつきがあっても、文字や数字が近すぎる、あるいは歪んでいると問題が生じます。

また、特定のフォントが事前にツールに登録されていないと、類似した形 (たとえば、文字 O と数字 0) を区別するのは困難です。照明反射や鏡面反射、およびカラー塗料が存在すると、どうなりますか?または、印刷された英数字が何らかの形で変形し、すぐに認識できなくなった場合は?そのような場合には、通常、登録処理でさらなるラベル付けが必要ですがそれでも失敗する可能性があります。

自動車 OCR 用ディープラーニング

車のVINコードの場合、メーカーは、さまざまな表面に印字される文字と数字の文字列を迅速にデコードできなければなりません。ダイレクトパーツマーク (DPM) 、エッチングまたは金属板への書き込み、ステッカー印刷など、環境条件や印刷歪みにより、マシンビジョンシステムが文字を見つけて認識することが困難になる可能性があります。このようなタスクにおいて、自動車メーカーは、読み取り困難なフォントや画像形成の課題の両方を経験し、既存のマシンビジョンベースの OCR ツールからディープラーニングベースの OCR へのレベルアップを考えるようになりました。

コグネックスのディープラーニングベースの OCR ツールは、事前登録されたオムニフォントツールを使用して、印刷の変形、高コントラストまたは低コントラスト、反射などで不明瞭になった文字でも認識できます。読み取りミスが発生した場合、ディープラーニングモデルは、ミスした文字を追加サンプルとして再登録するだけですむため、時間が節約できるばかりか、故障率も下げることができます。

アセンブリ検証

不完全なアセンブリや欠陥のあるアセンブリは、次のような理由で検査が困難な場合があります。複数の部品が関与する画像では、その判断アルゴリズム開発が難しく、そのパターンや背景によって視覚的な判断が難しくなります。このような場合、自動システムは、品質に影響を与える可能性のあるわずかなばらつきを考慮し、画像の正常な外観を登録しておく必要があります。

自動車ワイヤー検査

大規模で複雑なアセンブリの場合、検査システムは、特定の領域を検査対象領域として、または欠陥を含む領域としてセグメント化する必要があります。そのため、ルールベースのプログラミングが煩雑になり、エラーが発生しやすくなります。一方、ディープラーニングベースの欠陥検出、位置、およびレイアウトツールは、代表的な一連のサンプル画像で外観のばらつきを登録するだけで、画像の対象領域を特定し、完全性を検査する AI ベースのモデルを作成できます。

このように、ディープラーニングベースのシステムは、車のドアなど、信頼性の高いアセンブリの基準モデルを作成し、すべてのコンポーネントが存在し、配置場所が正しく、完全に組み立てられていることを迅速かつ確実に確認できます。検査官はこの種の判断に熟練していますが、ディープラーニングなら同じタスクをコンピュータの処理速度、精度、規模、確実性の点で優れています。

分類

溶接シーム欠陥検出例に戻り、ディープラーニングのバリュープロポジションについてさらに理解を深めましょう。前述のとおり、溶接の不整合は異常である可能性がありますが、機能的な欠陥ではありません。この場合、欠陥の検出に加えて、欠陥を「良好」(有効、一応の基準を満たす)と「不良」(拒否の必要あり)を正しく分類できる自動検査システムが必要です。ライン上で拒否される同じタイプの欠陥が多すぎる場合、メーカーは、生産方法を変更したり、欠陥が発生しないよう制限するために、原因を理解するデータが必要です。

マシンビジョンでは本質的な制限により、画像を分類できませんでしたが、ニューラルネットワークの進歩により、AI ベースのプログラムで画像ベースの分類が可能になりました。AI は、実際に、その主な外観のばらつきを登録することで、同じ部分の画像をサブカテゴリに分類できます。ディープ ラーニング モデルは、各画像クラスでラベル付きの代表的な一連の画像を登録した後、リアルタイム画像を区別し、スパークプラグの種類などのクラスに分類する方法を学習します。

ディープラーニングスパークプラグ検査

ディープラーニングは、自動車検査における複雑な課題を解決するために、検査アプリケーションエンジニアが採用している最新のツールです。かつては検査官にしかできないと思われていた作業が、ディープラーニング技術を活用したビジョンシステムで実現されました。

お問い合わせ

他の投稿

製品のサポートやトレーニングなどの詳細を見る

マイコグネックスに参加

お気軽にお問合せください

Cognex は世界中でお客様のビジョンと工業用バーコドリーダのあらゆるニーズをサポートしています。

お問合わせ
Loading...