導入の背景と課題
🔊
欠陥分類の必要性
スピーカーの外観キズをOK/NGの二値ではなく、原因別に5カテゴリに分類して品質管理する必要があった
👁️
分類の属人化
キズの原因分類（成形不良/搬送キズ/組立キズ/素材不良/異物）が検査員の経験に依存
📊
品質データの蓄積
分類結果を定量的に蓄積し、工程改善に活用したいがデータ化が追いつかなかった
システム構成
| 項目 | 内容 |
|---|---|
| 検査対象 | 自動車用スピーカー外観 |
| 分類カテゴリ | ①成形不良 ②搬送キズ ③組立キズ ④素材不良 ⑤異物付着 |
| 使用技術 | 従来AI（欠陥検出）+ VLM（5分類判定・判定理由の記述） |
成果
🏷️
5分類判定の自動化
AIが欠陥を検出→VLMが原因別に5カテゴリに分類。検査員の属人判断を排除
📝
判定理由の自動記述
VLMが「左端に搬送方向に沿った線状キズ→搬送キズ」のように分類理由を記録
📊
工程改善データの蓄積
分類結果を自動集計し、「搬送キズが週次で増加」などの傾向分析が可能に
ソリューション詳細
多品種外観検査AI｜VLMで学習コストを削減
技術解説
VLM（Vision Language Model）による外観検査の仕組み