外観検査から始める
生産ラインで、AIを活用する
既存の自動検査装置の画像を活用し、検出結果の確認と欠陥分類を支援します。エッジPCで推論を実行し、導入後はMLOpsでモデルの性能を管理します。
自動検査後の目視での再確認をAIで減らす
自動検査では、追加確認が必要な欠陥候補が検出されることがあります。AIは、誤検出と考えられるものと欠陥を見分ける作業を支援し、既存の検査フローの中で欠陥分類をサポートします。
自動光学検査（AOI）または自動最終外観検査（AFVI）によって、欠陥候補を検出します。
検出された画像を確認し、誤検出と考えられるものと欠陥を識別します。
欠陥の分類と、最終的な品質確認を支援します。
この図は検査ワークフローの一例です。設備、確認手順、品質を判断するタイミングは、製造現場によって異なります。
6種類のモデル
さまざまなモデルが、外観検査、異常監視、工程分析を支えます。対象とするタスク、利用可能なデータ、導入環境に応じて、適切な組み合わせを選びます。
欠陥検出
検査画像から、欠陥の有無と位置を特定します。
欠陥分類
検出された欠陥を、定義されたカテゴリに分類します。
異常検知
検査データや稼働データから、想定されるパターンとの違いを検知します。
セグメンテーション
対象領域や欠陥を、画素単位で特定します。
因果推論
工程の変数間に存在する可能性のある、原因と結果の関係を分析します。
異常予測
関連する稼働データから、発生する可能性のある異常を予測します。
BFAIのPoCで得られた実績
後工程の外観検査PoC：確認レビュー、最終検査、分類。
後工程の外観検査PoCにおける、人による目視確認との比較。
BFAIのPoC結果に基づきます。性能と評価条件は、工程、設備、検査タスクによって異なる場合があります。詳しい評価条件についてはお問い合わせください。
Deploy on your line. Keep accuracy over time.
After the PoC, models run on your inspection data in your environment, and are monitored and updated with MLOps.
入力データと出力
Visual inspection models use images from existing inspection equipment and output defect presence, type and location. Other model types use data appropriate to their application.
導入・運用
Run visual inspection inference on an on-site edge PC. Cloud and on-premises options are also available depending on the application and deployment requirements.