　同システムは、自動車生産ライン上のプレス工程で量産されるパネルのわずかな形状のズレや鋼板の伸張度の差異を、プレス機内に設置したサーモカメラ画像を元にして検出する。同工程での不良は、成形後のヒビや割れにつながる重大なものだ。しかしその発見は、従来熟練工の経験値と感覚に頼ることが多く、汎用化が困難な技能だった。

　そこでトライアートは、同社のコンポジットAI（複合AI）「4CAS」を用いて、パネルの基準形状となるマスター画像を生成。生産されたパネルの映像とマスター画像との差異を算出することで評価するシステムを構築した。どのような事例が現れた時に不良が発生するのかの法則性を求めることができ、熟練工と同様の精度で不良予兆の感知ができるようになる。

パネル評価の概念図（クリックで拡大）出典：トライアート

　マスター画像を生成する際にはAIによる学習だけではなく、途中で作業員がおおまかな形状を指定して、それをAIに戻して再度演算するという独自のフローを採用した。これにより、形状評価の信頼性と処理能力を向上した。

⇒その他の「製造IT導入事例」の記事はこちら

少量多品種でも半導体の製品不良を高精度に検知できるAI
東芝は、半導体の製品不良を高精度に検知するAIを開発した。各製品のデータが少なくても複数製品のデータを1つの品質データとして統合して解析し、不良を高精度に分類するため、少量多品種の半導体製造における製品解析を効率化する。
教師データが足りないと「異常予測」は難しい、ならば「異常検知」から始めよう
製造業が機械学習で間違いやすいポイントと、その回避の仕方、データ解釈の方法のコツなどについて、広く知見を共有することを目指す本連載。第3回は、「異常予測」と「異常検知」について取り上げる。教師データ量の不足が課題になる「異常予測」に対して、「異常検知」は教師データなしでも始められることが特徴だ。
製品検査や設備保全向けの異常音検知ソリューション、音響解析AI技術を活用
日立製作所は、同社の音響解析AI技術を活用し、製品の打音や設備の稼働音などの音響データから異常音を検知するソリューションを発表した。製品検査や設備保全に活用できる。
生産現場の異常を検知、品質管理に役立つ「C管理図」を使う
生産工程の解析や安定した状態にあるかどうかをチェックするために役立つ「QC七つ道具」。そのうちの1つ、「管理図」は日々の品質のばらつきが異常な原因によるものなのか、そうでないかを判断するために役立ちます。今回は、管理図の一種「C管理図」を取り上げます。
製造現場で活躍広がる「画像×AI」、どういう場で生きるのか
グルーヴノーツは、「製造×画像AI」をテーマに2020年4月14日、オンラインセミナーを開催。グルーヴノーツアカウントエグゼクティブ岩野敦氏が製造業向けのインフラ設備・機械の保全・安全管理業務における画像AIの活用事例などを紹介した。