協働ロボットとAI外観検査による溶接自動化：品質トレーサビリティの完全構築
協働ロボット（Cobot）による溶接自動化は、多品種少量生産における「人手不足解消」と「品質の均一化」を両立する切り札である。しかし、ロボットはプログラムされた軌跡を忠実に再現するだけであり、母材の加工精度や熱歪みによる「微細な溶接欠陥」を自律的に検知することは困難である。
本稿では、溶接直後にカメラでビードを撮像し、AIで判定を行うインライン検査システムの構築手法と、現場実務における最適化の極意を詳述する。
1. システム構成と技術的原理
溶接自動化ラインにおけるAI検査システムは、以下の3層で構成される。
1. 撮像ユニット（センシング層）： 溶接トーチ後方に追従する産業用カメラ（高解像度モノクロCMOS）と、スパッタやアーク光を遮断する光学フィルター（バンドパスフィルター）。
2. AI推論エンジン（解析層）： CNN（畳み込みニューラルネットワーク）またはVision Transformerを用いた外観欠陥抽出モデル。
3. トレーサビリティ管理（データ層）： 溶接電流・電圧・送給速度（WPS: 溶接施工要領書データ）と、AI判定結果を紐付けたデータベース管理。
撮像における物理的制約の克服
- 光学フィルタ選定: 溶接中のアーク光（特に短波長）をカットするため、850nm〜940nmの近赤外線LED照明と、それに同期したバンドパスフィルターを使用する。これにより、溶接直後の「赤熱したビード」の形状をアーク光の影響なく鮮明に捉えることが可能となる。
- カメラ配置: トーチ後方20mm〜50mmの位置に固定し、溶接進行方向に対して一定の俯角（30度〜45度）を維持する。
2. 溶接欠陥の判定閾値とAI学習データ
AIの判定精度を左右するのは「良品と不良品の定義」の数値化である。JIS Z 3060（鋼溶接部の超音波探傷試験）やJIS Z 3104（X線透過試験）の基準をベースに、外観検査での判定項目を以下のように定義する。
AI判定における主要チェック項目と閾値例
| 欠陥項目 | 判定パラメータ | 許容基準（例） |
|---|---|---|
| アンダーカット | ビード端部の深さ | 母材厚さの10%以下、かつ0.5mm以下 |
| オーバーラップ | 溶融金属の重なり角度 | 90度以上（滑らかな移行部） |
| ビード幅不均一 | 幅の変動率 | 設定値に対して±15%以内 |
| ピット・ブローホール | 表面露出の気泡数 | 50mmあたり2個以下、直径0.5mm以下 |
学習データの作成手法
1. 正解データ（Ground Truth）の付与: 熟練溶接工が目視およびゲージで判定した結果を教師データとする。
2. 欠陥の意図的生成: 溶接条件（電圧・速度）を意図的に振ることで、融合不良や過溶けを発生させ、AIに「不良のパターン」を学習させる。
3. データ拡張: 現場特有の「油分」「錆」「下地の汚れ」等のノイズを混合させ、堅牢性を高める。
3. 現場実装におけるトラブルシューティング
協働ロボット×AI検査の導入で最も頻発するトラブルと対策を提示する。
トラブルA：熱変形による位置ズレ（トラッキング誤差）
- 現象: 溶接時の熱歪みにより、カメラの焦点距離からビードが逸脱する。
- 対策: ロボットのTCP（ツールセンターポイント）補正だけでなく、レーザー変位センサを併用し、溶接線のリアルタイムトラッキングを行う。AI画像処理側のアルゴリズムには「アフィン変換」を組み込み、画像内でのビード位置の微小なズレを自動補正する。
トラブルB：スパッタの誤検知
- 現象: 飛散したスパッタを「ピット（穴）」と誤判定する。
- 対策: スパッタは「輝点」として強調されるため、画像処理の初期段階でメディアンフィルタを用いて高周波ノイズを除去する。また、時間軸方向の解析（前フレームとの比較）により、静止した窪み（欠陥）と一時的なスパッタを分離する。
4. トレーサビリティ確保のためのデータ構造
AI判定結果は、以下の形式でMES（製造実行システム）またはERPに保存し、製品個体ごとの品質保証エビデンスとする。
データ記録項目例:
- 製品ID: シリアル番号
- 溶接条件ログ: 溶接開始〜終了までの電流・電圧波形（サンプリング周期10ms以上推奨）
- AI判定スコア: 0.0〜1.0（1.0が完全良品）
- 判定画像: 欠陥箇所のクロップ画像（証拠画像）
- 合否判定結果: OK / NG / 要確認（人による再判定用）
5. 冶金学的観点からの評価（融合不良の検知）
外観検査の限界は「内部欠陥」である。しかし、表面のビード形状（リップルマークの形状や間隔）は、溶融池の熱流動状態を反映している。
- リップル間隔の解析: 溶接速度が速すぎるとリップル間隔が広がり、融合不良（Lack of Fusion）のリスクが高まる。AIは単なる外観だけでなく、この「リップルの周期性」を解析することで、内部の融合状態を予測する「ソフトセンシング」を構築できる。
導入後の定量的評価指標（KPI）
- 誤検知率（False Positive）: 良品を不良と判定する確率（5%以下を目指す）。
- 見逃し率（False Negative）: 不良品を良品と判定する確率（0.1%以下、重要保安部品では0%を追求）。
- タクトタイムへの影響: 撮像・解析処理時間が溶接サイクルタイム内に収まっているか（目標：判定処理時間 500ms以内）。
本システムの実装により、熟練工の「勘」に頼っていた品質管理が、科学的根拠に基づいたデジタルデータへと昇華される。現場の環境変化（照明や粉塵）に動じないロバストなシステム構築こそが、自動化成功の鍵となる。