EV・蓄電池の生産は世界的に拡大し続けていますが、その品質保証は「不良が安全事故に直結しうる」という重さを抱えています。量産スピードに検査の体制が追いつかないとき、私たちは何を守り、どこを自動化に委ねるべきなのか。上流の社会課題から考えます。
電気自動車（EV）や定置用蓄電システムの普及を背景に、リチウムイオン電池をはじめとする蓄電デバイスの生産は世界的に拡大基調にあります。セルメーカーはギガファクトリーと呼ばれる大規模工場を相次いで立ち上げ、モジュール・パックの組立工程、さらにはその周辺部材（電極箔、セパレータ、ケース、端子、コネクタ）を供給するサプライヤー群にも、これまでにない量産スピードが求められるようになってきました。
ところが、この「速く・大量に」という要請は、品質保証の現場にとって必ずしも追い風ばかりではありません。生産量が増えるほど、わずかな不良率でも市場に出る不良品の絶対数は増えます。そして電池という製品の性質上、その一つひとつが安全に直結しうる、という点が他の量産品と大きく異なると考えられます。
電池の内部に異物が混入したり、電極にバリや欠けがあったり、セパレータに微小な損傷があったりすると、内部短絡を引き起こし、発熱・発火・熱暴走に至るリスクがあると一般に指摘されています。つまり、外観上のごく小さな欠陥が、最終的に人命や財産に関わる事故の起点になりうる、という構造です。だからこそ電池の検査は、見栄えの問題ではなく安全の問題として、年々その重みを増していると考えます。
電池検査が難しく、かつ負荷が高い理由を整理すると、いくつかの軸が見えてきます。第一に「全数検査の要求が強い」こと。安全に直結する以上、抜き取りでは見逃しリスクを許容しにくく、可能な限り全数を確認したいという要請が働きます。第二に「欠陥が微小かつ多様」であること。電極の塗工ムラ、箔のしわ、端子の打痕、溶接部のスパッタや穴あき、ケースの傷、ロット番号やトレーサビリティ用印字のかすれ——見るべき対象は工程ごとに異なります。
電極製造、捲回・積層、注液、封止、組立、モジュール化と、工程が進むごとに検査すべき欠陥モードは変化します。たとえば電池セル・電極の検査のように上流工程では塗工や箔の状態が論点になりますが、組立・溶接工程では接合部の品質や端子の有無・位置が論点になります。一つの検査ロジックで全工程をカバーすることは難しく、工程ごとに要件を切り分ける必要があると考えられます。
市場での不具合が起きた際に「どのロットの、どの工程に起因するか」を遡れることは、電池ではとりわけ重視されています。ロット印字やシリアルの読み取り（OCR）の確実性、検査結果の記録と紐づけが、検査そのものと同じくらい重要になっている現場も少なくないと考えます。所管の規格・規制の適用範囲や具体要件は変化しうるため、最新の公表資料でご確認ください。
ここで多くの現場が直面するのが、量産スピードと検査リソースのギャップです。ラインのタクトは速くなる一方で、その速度で「微小で多様な欠陥」を「全数」見続けられる熟練検査員を、必要なだけ確保し続けることは容易ではありません。目視検査は習熟に時間がかかるうえ、長時間の集中を要し、人による判定のばらつきや疲労による見逃しも避けにくいのが実情だと考えられます。
加えて、製造業全体の人手不足や技能伝承の難しさという、より上流の社会課題がここに重なります。検査という工程は付加価値が見えにくく、人を集めにくい持ち場になりがちです。量産は拡大するのに、それを支える検査の担い手は先細る——この非対称性こそが、電池量産の品質保証が抱える本質的な課題の一つだと考えます。
検査自動化が議論される背景には、こうした「全数で・高速で・ばらつきなく・記録も残して」という、人手だけでは両立が苦しい複数要求が同時に存在します。ここで画像AIをはじめとする検査自動化が、解の一つの候補として浮上してきます。ただし、それが万能の答えになるわけではない、という点は最初に確認しておきたいところです。
画像による外観検査の自動化は、ルールベースの画像処理から、近年はディープラーニング、さらにVLM（視覚言語モデル）まで選択肢が広がってきました。ルールベースは原理が明快で高速・安定ですが、欠陥のパターンが多様だったり言葉でしか定義しにくい「良し悪し」を扱うのは苦手です。一方、学習ベースの手法は柔軟性が高い反面、学習データの質と量、そして判定根拠の説明性が課題になりうると考えられます。
AI外観検査が有効に働きやすいのは、たとえば「欠陥の見え方にばらつきがあり、固定しきい値では捉えにくいが、人なら判別できる」ような領域だと考えます。逆に、要求精度が極めて高く見逃しが致命的になる安全関連の判定では、AI単独に委ねきるのではなく、複数手法の組み合わせや人による最終確認、限度見本との突き合わせといった設計上の工夫が前提になると考えます。
私たちは、画像AIを「カメラとモデルだけ」では語れないと考えています。元キーエンス画像処理事業部の現場知見をベースに、産業用カメラの選定、現場ライティング（照明）の設計、Jetson等のエッジでの処理、そしてVLMを含むアルゴリズムまでを一体で詰めること——この組み合わせが、量産現場で安定した検査を成立させるための要だと考えます。とりわけ照明は、欠陥を「写るようにする」工程であり、ここを外すと後段のモデルがどれだけ優秀でも成果が出にくい、というのが現場の手触りです。
検査自動化は導入して終わりではなく、量産が続く限り運用が続きます。設計段階で意識したいのは、まず「何を不良と定義するか」を現場・品質保証・製造で合意することです。限度見本や判定基準があいまいなまま自動化に進むと、AIの判定がぶれているのか、そもそも基準がぶれているのかが切り分けられなくなりがちです。
検査では、不良を見逃す「未検出」と、良品を不良と判定する「過検出（過剰排出）」がトレードオフになりやすいものです。安全に直結する電池では未検出を強く抑えたい一方、過検出が増えれば歩留まりや工数を圧迫します。どこに判定の閾値を置くかは、製品リスクと生産性のバランスをふまえた経営的な判断になりうると考えます。ここに唯一の正解はなく、現物・現ラインのデータをもとに調整していく性質のものだと考えます。
量産では、材料ロットの切り替え、設備の更新、新機種の立ち上げなどで「見え方」が変わります。検査システムは一度作って固定すれば良いものではなく、こうした変化に対してデータを追加し、基準を見直し、性能を確認し続ける運用が前提になると考えます。誰がその運用を担うのか、再学習や調整のフローをどう回すのかを、導入前に描いておくことが定着の鍵になると考えます。
検査自動化の検討では、技術そのもの以上に「前提」や「運用」でつまずくことが少なくないと考えます。事前に意識しておきたい代表的な落とし穴を挙げます。
ここまで述べてきたとおり、電池検査の自動化は安全に直結するからこそ慎重さが求められ、同時に量産拡大という社会動向がその検討を後押ししています。大切なのは、最初から全工程の全自動化を目指すのではなく、自社の不良モードと検査要件を客観的に把握し、リスクと効果の大きい工程から段階的に検証していくことだと考えます。
まずは現物のサンプルと現場の制約（タクト、設置スペース、照明環境、既存設備との接続）を確認し、どの欠陥を・どの精度で・どの速度で検出したいのかを言語化します。その上で、限られた範囲で現物・現ラインに近い条件の検証を行い、未検出と過検出の出方を実データで見極める。この「やってみないと分からない部分」を小さく早く確かめることが、過大な投資や期待外れを避ける現実的な道筋だと考えます。
Nsightは、こうした検証の初手から、産業用カメラ・現場ライティング・エッジ処理・VLMを含むアルゴリズムを一体で詰める立場で関わることができると考えています。万能の答えを売り込むのではなく、お客様の現物を見て、何が自動化に向き、何が人の判断を残すべきかを一緒に切り分けるところから始めたいと考えます。
電池は内部への異物混入や電極・セパレータの微小な欠陥が、内部短絡を介して発熱・発火・熱暴走につながりうると一般に指摘されているためです。外観上のわずかな欠陥が安全事故の起点になりうる点が、一般の量産品と大きく異なると考えられます。具体的な規格・要求事項は変わりうるため、所管省庁や該当規格の最新の公表資料でご確認ください。
工程や欠陥モードによっては有効な解の一つになりうりますが、万能ではないと考えます。安全に直結する高精度な判定では、AI単独ではなく複数手法の組み合わせや人による最終確認、限度見本との突き合わせを前提とする設計が現実的だと考えます。まずは現物・現ラインでの検証から、適用範囲を見極めることをおすすめします。
安全関連の検査では不良が少なく、学習・検証用サンプルが集めにくいことはよくあります。その場合、良品基準で逸脱を捉える考え方や、サンプル収集計画を最初から織り込むといった工夫が候補になりうると考えます。どの方法が適するかは欠陥の性質と現物に依存するため、検証を通じて見極めることになると考えます。
処理が間に合うかは、欠陥の難易度、画像枚数、エッジ処理性能、搬送・排出の物理制約まで含めて決まるため、一概には言えません。ラボでの合格と量産タクト内での全数処理は別問題です。実際のタクトに近い条件での検証を通じて、処理時間とライン適合性を確認することが重要だと考えます。
電池では、市場での不具合をロットや工程まで遡れることが重視される傾向にあります。検査結果がロット番号やシリアル（OCR等で読み取る）と紐づいて記録されていれば、後の遡及や是正に活かしやすくなると考えます。検査ロジックの設計と同時に、記録・紐づけの設計も検討しておくことをおすすめします。
どの工程のどの欠陥を、どの精度・速度で見たいのか——まずは現物のサンプルと現場の制約から、自動化に向く範囲と人の判断を残すべき範囲を切り分けます。元キーエンス画像処理事業部の知見をもとに、照明・カメラ・エッジ・アルゴリズムを一体で検証する初手からご相談いただけます。
電池検査の自動化について相談する