位置ずれ検査の定義から、組立精度検証の課題、AIビジョンによる自動検査の仕組み、導入時の注意点、PoCから本番展開までのステップを元キーエンス画像処理エンジニアが体系的に解説します。
位置ずれ検査とは、部品・ラベル・印刷・マークなどが設計上の基準位置からどれだけずれているかを画像で測定・判定する検査の総称です。組立工程や貼付工程において、目標位置に対するX-Y方向の平行移動量、回転角度θのずれを定量化し、許容範囲内かを自動判定します。
位置ずれ検査の目的は大きく分けて2つあります。
自動車部品・電子機器・医療機器などの組立工程では、位置ずれ検査が工程品質の最終確認として組み込まれています。組立ロボットが実装した部品の位置を画像検査で確認し、NGの場合はやり直しまたは次工程への流出を防ぐ――この仕組みがなければ、下流工程での手戻りや市場流出のリスクが高まります。
位置ずれ検査は、外観検査の一種として分類されますが、傷・汚れなどの欠陥検出とは異なり、設計基準との位置関係を定量評価する点に特徴があります。AI画像検査の手法比較についてはこちらをご参照ください。
位置ずれは、製造工程のさまざまな要因で発生します。主な発生メカニズムを整理します。
組立ロボットやピックアンドプレース装置は、設計上の位置決め精度（例：±0.05mm）を持ちますが、実際の動作では振動・慣性・摩耗などにより誤差が蓄積します。特に高速動作時や長時間稼働後は、位置ずれが大きくなる傾向があります。
部品自体の寸法公差や形状ばらつきにより、同じ治具で保持しても位置がわずかにずれることがあります。樹脂部品の反りや金属部品のバリも、位置決めに影響します。
ラベル貼付機や接着剤塗布装置は、基材の吸着状態・搬送速度・温湿度の影響を受けやすく、手動作業ではさらに個人差が加わります。自動貼付機でも、吸着ノズルの汚れやエア圧のばらつきで位置がずれることがあります。
インクジェット印刷・レーザーマーキング・スタンプ印字などは、ワークの搬送位置や速度に同期して動作しますが、同期タイミングのずれや基材の反りにより印字位置がばらつきます。
これらの要因が複合的に作用するため、位置ずれは完全にゼロにすることはできません。現実的なアプローチは、許容範囲を定めて自動検査で選別し、異常が発生した際に早期検知・フィードバックする仕組みを構築することです。Nsight Visionによる外観検査ソリューションは、位置ずれの自動検出と統計的な工程管理を支援します。
位置ずれ検査が適用される代表的な対象を、業種・工程別に整理します。
| 業種 | 検査対象 | 検査項目 | 許容範囲の例 |
|---|---|---|---|
| 電子機器 | 基板実装部品（チップ抵抗・コンデンサ・IC） | パッド中心からのXYずれ、回転角θ | ±0.1mm、±3° |
| 自動車部品 | シール・ガスケット貼付位置 | 基準穴からの距離、角度 | ±0.5mm、±5° |
| 医薬品 | ラベル貼付位置（バイアル・アンプル） | 容器中心線からのずれ | ±2mm |
| 食品 | 製造日・賞味期限印字位置 | パッケージ基準線からのずれ | ±3mm |
| 化粧品 | キャップ取付角度 | ロゴマークの向き | ±10° |
| 金属加工 | 溶接ビード位置 | 設計線からのずれ | ±1mm |
共通するのは、位置ずれの許容範囲が製品の機能・外観要求に基づいて厳密に定められている点です。電子基板のように高精度を要求される分野では±0.1mm以下の検出精度が必要ですが、食品パッケージのように外観品質が主目的の場合は±数mmの範囲で判定します。
位置ずれ検査は、多品種外観検査の一環として実施されることが多く、品種ごとに基準位置・許容範囲を登録して自動切替できる仕組みが求められます。
位置ずれ検査の技術は、従来のルールベース画像処理からAIビジョンへと進化しています。両者の違いを比較表で整理します。
| 項目 | 従来手法（テンプレートマッチング） | AIビジョン（深層学習） |
|---|---|---|
| 検査原理 | 基準画像との一致度をパターンマッチングで計算 | 大量の良品・不良品画像から特徴を学習し、位置ずれをセグメンテーション・回帰で検出 |
| 照明変動耐性 | 低い。照明が変わると一致度が下がり誤検出 | 高い。学習時に照明条件のバリエーションを含めれば影響を受けにくい |
| 部品色・形状の多様性 | 低い。色・形状が変わるとテンプレート再作成が必要 | 高い。色違い・形状違いも学習データに含めれば同一モデルで対応可能 |
| 回転・拡大縮小耐性 | 中程度。正規化相関などの手法で対応できるが計算コスト増 | 高い。データ拡張（回転・スケール変換）により汎化性能を獲得 |
| 初期設定の手間 | 品種ごとにテンプレート作成・閾値調整が必要 | 品種ごとに学習データ（数十〜数百枚）を準備し学習 |
| 品種追加時の工数 | 新品種ごとにテンプレート再撮影・パラメータ調整 | 新品種の学習データ追加・ファインチューニング |
| 処理速度 | 高速（ms オーダー） | 中速（数十ms 〜 数百ms）。GPU使用で高速化可能 |
| 適用分野 | 単一品種・高速ライン・照明安定環境 | 多品種少量生産・照明変動が避けられない現場 |
従来手法は高速で実装が容易なため、単一品種を大量生産する現場では今も有効です。しかし、多品種少量生産・照明条件の変動・部品の個体差が大きい現場では、AIビジョンの柔軟性が圧倒的に優位です。
特に、位置ずれ検査では「正確な位置を教える」ことよりも「ずれている状態を見分ける」ことが本質的に重要です。AIモデルは良品の位置分布と不良品の位置分布を学習することで、明示的な座標計算なしに判定できるため、設定工数が大幅に削減されます。AI画像検査のPoC実践ガイドはこちらをご参照ください。
位置ずれ検査をAIビジョンで導入する際の典型的なステップを、工程ごとに解説します。
現場で撮影した実画像サンプル（良品・不良品各10〜20枚程度）を送付いただき、Nsightが検証します。位置ずれの程度・照明条件・撮影角度・背景ノイズを確認し、AIモデルでの検出可能性を判定します。この段階で不可能と判断されるケースは稀ですが、照明改善やカメラ配置変更が必要な場合は提案します。
現場にテストカメラを設置し、実運用に近い条件で画像を収集します。良品・不良品を含む数百枚の画像でAIモデルを学習し、検出精度・処理速度・誤検出率を検証します。位置ずれの定量評価（X-Y座標・角度θ）をリアルタイムで可視化し、現場担当者と許容範囲を調整します。PoC期間中に品種切替や照明変動のテストも実施し、運用上の課題を洗い出します。
PoC結果を踏まえ、本番環境にカメラ・照明・エッジAIデバイスを設置します。生産管理システムと連携し、品種情報を受け取って検査レシピを自動切替する仕組みを構築します。初期稼働期間は、検査結果をモニタリングしながら閾値を微調整し、安定稼働を確認します。
本番稼働後も、新たに発生した不良パターンや品種追加に対応するため、継続学習を実施します。Nsight Visionは、現場で収集した画像を自動的に学習データに追加し、モデルを更新する仕組みを提供しています。同一工程の他ラインや他拠点への横展開も、学習済みモデルを転用することでスムーズに進められます。
導入期間の目安は、PoC開始から本番稼働まで2〜4か月です。多品種少量生産の現場では、全品種の学習データを事前に揃えることは現実的ではないため、主要品種で稼働開始し、新規品種は初回生産時に追加学習する運用を推奨しています。
Nsight Vision（スマートカメラ検査パッケージ）は、位置ずれ検査を含む多品種外観検査に特化したAIビジョンプラットフォームです。
Nsight Visionは、Nsight Edge（エッジAI実装基盤）上で動作し、現場のエッジ環境で推論を完結させるため、ネットワーク遅延の影響を受けません。クラウドへの画像送信も不要なため、機密性の高い製品の検査にも適用できます。
位置ずれ検査以外にも、異品種混入検査や傷・汚れ検出など、複数の検査項目を同一システムで実施できるため、投資効率が高い点も特徴です。
適切なカメラ・照明・画像処理を組み合わせた場合、サブピクセル精度（画素未満の精度）での位置ずれ検出が可能です。一般的な産業用カメラでは0.01mm〜0.1mm程度の検出精度が期待できますが、対象物のサイズ・視野・撮影距離によって変動します。
従来のテンプレートマッチングは理想的な基準画像との一致度で判定するため、照明変動や個体差に弱い特徴があります。AIビジョンは大量の良品・不良品画像から特徴を学習し、照明変動・角度変化・色違いにも柔軟に対応できます。
可能です。Nsight Visionは品種ごとに検査レシピを登録し、生産指示と連動して自動切替できる設計です。多品種少量生産の現場では、事前に主要品種の検査条件を設定しておき、新規品種は初回生産時に追加登録する運用を推奨しています。
カメラレンズの清掃（月1回程度）と照明の点検（半年に1回程度）が主なメンテナンスです。AIモデルは継続学習により精度を維持できるため、品種追加や仕様変更がない限り再学習は不要です。異常検出が増えた場合は、検査条件の微調整で対応します。