Jetson AGX Orinで外観検査AIを構築する方法

なぜ工場の外観検査にJetsonを使うのか

製造現場の外観検査でクラウドAIではなくエッジAI（Jetson）を選択する理由は明確です。工場ネットワークのセキュリティ要件、タクトタイムに起因するレイテンシ制約、そしてランニングコストの3つです。

Nsightでは累計40件以上の外観検査プロジェクトでJetson AGX Orinを採用し、製造ラインへの組み込みを行っています。

クラウドAI vs エッジAI（Jetson）の比較

項目	クラウドAI	エッジAI（Jetson AGX Orin）
レイテンシ	100ms〜500ms（ネットワーク依存）	10ms〜50ms（ローカル推論）
セキュリティ	画像データが外部に出る	工場内完結。データ流出リスクなし
ランニングコスト	月額5万〜50万円（API課金）	電気代のみ（月額数百円）
オフライン対応	不可（ネットワーク必須）	可能（完全オフライン稼働）
初期コスト	低い（サーバー不要）	Jetson本体＋開発費が必要
スケーラビリティ	高い（サーバー増設容易）	ライン単位で個別デプロイ

製造現場では「画像データを外部に出せない」「ネットワーク障害で検査が止まってはならない」という要件が一般的であり、エッジAIが適しています。

Jetson AGX Orinを選ぶ理由

スペック

• GPU：2048 CUDA Core + 64 Tensor Core（Ampere）
• AI性能：275 TOPS（INT8）
• メモリ：32GB / 64GB LPDDR5
• 消費電力：15W〜60W（設定可能）

外観検査に適している理由

• 推論性能：TensorRT最適化で1推論10ms以下。タクトタイム100ms以下のラインにも対応
• マルチカメラ：USB3/CSI/GigEカメラを複数同時接続可能
• 産業用I/O：GPIO/SPI/I2CでPLC・トリガ信号との直接接続が可能
• 環境耐性：産業用キャリアボード（Macnica等）で-20〜+70℃対応
• NVIDIA Jetson エコシステム：JetPack SDK、TensorRT、DeepStream等のツール群が利用可能

外観検査システムの構成例

典型的なシステム構成

コンポーネント	選定例	備考
カメラ	OPT Machine Vision / Basler ace 2	GigE接続。解像度は検査対象の最小欠陥サイズから逆算
照明	同軸落射 / ローアングル / バックライト	欠陥タイプに応じて選定。元キーエンスの光学設計ノウハウ
エッジAI	Jetson AGX Orin 64GB	Macnica製キャリアボードで産業用途に対応
推論エンジン	TensorRT（FP16/INT8）	PyTorch→ONNX→TensorRTの変換パイプライン
検査ソフト	Nsight独自開発（FastAPI + React）	ルールベース＋AI＋VLMのハイブリッド構成
PLC連携	TCP/Modbus	トリガ受信→判定→排出制御

TensorRT最適化の実践

変換パイプライン

1. PyTorchモデルを学習・検証
2. ONNX形式にエクスポート
3. TensorRT Engineに変換（FP16またはINT8量子化）
4. ベンチマークでスループット・精度を検証

実測パフォーマンス（Nsight実績）

モデル	FP32	FP16	INT8
ResNet50（分類）	45ms	12ms	6ms
YOLOv8m（検出）	85ms	25ms	14ms
U-Net（セグメンテーション）	120ms	35ms	20ms

FP16量子化で3〜4倍、INT8で5〜8倍の高速化が可能。精度劣化はFP16でほぼゼロ、INT8で0.5%以内（適切なキャリブレーション前提）。

NsightがJetsonを採用している理由

• NVIDIA Inception Program Partnerとして、Jetson AGX Orinのハードウェアリベート（Macnica経由）を活用
• 元キーエンスの光学設計ノウハウで、照明・カメラ・検査フローまで一体設計
• Jetson Thor（次世代プラットフォーム）のR&D評価も進行中
• 累計40件以上のJetson外観検査プロジェクトの実績