導入事例
マシンビジョン導入事例は、AIビジョンが欠陥を検出し、対象を識別してロボットを誘導する実運用を紹介します。品質検査、分類、OCR、AR支援作業、ビジョンガイドロボティクス、組立検証、物流ピッキングを扱い、半導体、電子機器、自動車、製薬、医療機器、物流の各生産現場における課題、システム構成、導入条件、運用結果を示します。製造チームが用途別の技術要件と統合範囲を比較するための情報を提供します。
製品導入事例
導入事例
AccuPick
SolVision
META-aivi
SolMotion
射出成形機の運用状況監視
META-aiviは、機械の自動故障検出と監視によってプラスチック射出成形を最適化し、効率性を向上させ、停止時間を削減し、コストを削減します。
エネルギー蓄積システムの組み立て、検査、および操作SOPの検証
深層学習AIを活用したMETA-aiviは、検査が必要な部位に対してAIが迅速にモデリングした後、作業者がAR眼鏡を着用することで即座に検査し、エネルギー貯蔵ユニットの配線、パイプ、水槽の蓋、スイッチ、ノブが正しく組み立てられているかどうかを判断します。
電動車の部品組み立てSOPの検証
META-aiviのAR + AI機能が世界をリードする電気自動車メーカーの一つの電気自動車の組み立て検証と品質管理を向上させた方法を発見してください。
AR + AIを使用したタンクローリーの安全な積み下ろし
META-aiviは、化学物質タンカーの積み込み/荷卸しプロセスをステップバイステップで検査し、オペレーターが正しい手順に従っていることを確認するためにAI検出を使用します。
ブリスターパック品質管理
SolVisionのAIプラットフォームのセグメンテーション技術により、良品と不良品それぞれの画像の特徴を学習できます。それによりブリスターパックそれ自体と内容物について高速に認識し分類することが可能です。
タイヤ裏側コードを素早く特定
タイヤは製造工程で高圧・高荷重・高温の工程を多く受けます。現場の機械や材料から発生する粉塵に加え、印刷工程の長期運転により、内管の表面がぼやけたり、色ムラがあり、裏側認識に関する影響があります。大量生産後の手動認識は認識度が悪く、従来のAOI検出を使用すると、デジタル印刷がクリアでなくても効果的に認識できない。
繊維の欠点検査の最適解
現在繊維産業の生産現場では目視検査が主となっていますが、不良品流出率の高さ、工程時間の長さが問題となっています。繊維の欠点としては紙管の汚れ、変形、繊維の汚れ、繊維の破損、繊維の捩れ、ヘアラインなど多岐にわたります。目視検査では実際の要求品質に見合った検査はできず、従来式の光学検査（AOI）では欠点の認識に柔軟性がないため誤判断が多く、目視検査で再検査しなければなりません。労働コストを最適化するためには、繊維の検査は高効率なものでなければならないのです。
透明な点滴バッグ上の印刷表示内容の認識・分類
一般的な静脈用点滴液の種類はブドウ糖、塩化ナトリウムなど多種に渡ります。また、同じ点滴液でも状況に応じて使用する濃度や容量が異なります。通常ですと、点滴バッグは透明で、点滴液の種類、濃度、容量などが印字されており、中に点滴液が充填されています。
靴下の外観不良検出
靴下の生産工程は、デザイン、編立、縫製、旋盤、成形、そして最後に品質検査と包装に分けられます。 繊維産業は労働集約型の産業であり、品質管理のチェックポイントである目視検査はもともと手作業で行われていましたが、検出率が低いだけでなく、視覚疲労で靴下の外観検査も遅れることがあります。
ゴム製射出成型品の高精度欠点検知
ゴムの射出成型工程では原料品質、機械設備企画、金型設計などが射出成型品の品質に影響を与えるファクターとなります。射出成型品の欠点として一般的に多くみられるのは、外観とサイズの異常です。例えば汚点、空孔、金型の傷の影響、取り出し時に生じる傷などです。
従来のメータのデジタル化ソリューション
デジタル化の困難点：従来のメーターのインターフェースの限界: 従来のガス監視機器は、ダッシュボードに表示されるものの、デジタルインターフェースがないため、数値情報を即座に中央監視システムにアップロードすることができず、プロセス全体のデジタル化に支障をきたしていました。