AI・画像検査– category –

外観検査の照明・レンズ・カメラの選び方を7つの手順で解説。明視野と暗視野、欠陥別の照明方式、補色と偏光、視野÷画素数の分解能計算、テレセントリックレンズ、シャッターと露光、環境対策と条件の記録まで整理します。

AI外観検査の学習データの集め方を、不良品が少ない現場向けに整理。良品学習、不良の作り込み、データ拡張、画像生成による合成の使い分け、撮像条件の固定、アノテーションの基準と体制、学習・検証・テストの分け方、少量データで評価するときの注意まで解説します。

AI外観検査の導入がうまくいかない原因を、目的と合格ライン・撮像・検査基準と学習データ・PoCの評価・運用の5つの層で整理。過検出が止まらない、精度が頭打ち、現場で使われないといった症状ごとの切り分けと、PoC止まりを防ぐために先に決めることを解説します。

AI外観検査の主な用途を、傷・異物・組付け・選別の4つに整理し、自動車・電子部品・食品・鉄鋼などの業界別の活用方法、キユーピーや武蔵精密工業などの公開事例、導入の進め方、関わる職種とスキルまで解説します。

AI外観検査が注目される背景を、人手不足や品質要求、AI技術の実用化、市場の動きから整理し、目視検査やルールベースの画像処理との違い、導入のメリットと学習データ・運用体制などの課題まで解説します。

AI外観検査とは何かを、画像検査の仕組み、照明や学習データなどAIが良否を見分ける基本原理、分類・異常検知といった主な方式、見逃しと過検出などの基本用語まで、図解でわかりやすく解説します。

AI外観検査とは何かを、目視検査・ルールベースの画像検査との違い、不良品学習と良品学習の使い分け、方式を選ぶ判断基準、PoCから運用・再学習までの導入の進め方、つまずきやすいポイントまで比較しながら実務目線で解説します。