ねじ・ばね製造のAI外観・寸法検査｜微小欠陥を自動検出し全数検査を実現

ねじ・ばね製造の現場では、AIによる外観・寸法検査を導入し、微小欠陥を自動検出して全数検査を実現する動きが広がっている。

監修：FURUSATOコンサルタント（地方中小企業AI活用支援 / 支援実績100社以上）

ねじ・ばね製造におけるAI外観・寸法検査とは何か

ねじ・ばね製造におけるAI外観・寸法検査とは、高倍率の産業用カメラで撮影したワークの画像をAIが解析し、ねじ山のピッチ・呼び径・全長やばねの線径・自由長・巻きピッチなどの寸法と、キズ・バリ・メッキ不良・線材の傷といった外観欠陥を同時に自動判定する技術を指す。ねじやばねは1個あたりのサイズが数ミリ〜数センチと小さく、しかも1ロットあたりの生産数が数千〜数万個に及ぶため、従来は熟練検査員の目視による抜き取り検査に頼らざるを得なかった。AI外観・寸法検査を導入すると、1個あたりの撮影・測定・判定にかかる時間は0.1〜1秒程度まで短縮できるケースが多く、生産ラインの速度を落とさずに全数検査へ切り替えられる点が最大の特徴だ。

技術構成としては、部品を高速搬送しながら真上・斜め・側面など複数方向から撮影するライン型と、部品を一時停止させて全周を撮影する据え置き型に大別される。ねじの場合はねじ山という周期的な凹凸構造を撮るため、リング照明や同軸落射照明を組み合わせてねじ山の陰影を強調する撮影条件が重要になる。ばねの場合は線材が光を反射しやすく、巻きピッチのわずかなズレや線材表面の微小な傷が見えにくいため、複数の照明角度を切り替えて撮影し、AIがそれぞれの画像を統合して判定する構成が採られることが多い。撮影された画像は、良品サンプルから学習した基準データと照合され、あらかじめ設定した公差・許容範囲を外れた箇所だけが不良候補として自動でマーキングされる。

愛知県内で冷間鍛造のねじを製造するある企業の場合、1日あたり約8万本を生産するラインで、これまでは1ロット(2,000本前後)につき50本程度を抜き取ってノギスと拡大鏡で検査していた。AI外観・寸法検査を導入した後は、成形直後のねじを搬送コンベア上でそのまま全数撮影する運用に切り替え、抜き取りでは検出できなかったねじ山の部分的なかじり傷が量産初期の段階で見つかるようになったという。検査員は判定結果をタブレットで確認し、不良候補と判定された個体だけを手に取って最終確認する業務シーンに変わり、検査に張り付く時間は導入前の半分以下になった。

もう一つの利点は、測定データがすべてロット・個体単位で自動記録される点にある。従来の抜き取り検査では、不良の発生傾向を分析しようにも紙の検査成績書を後から集計し直す手間がかかり、原因追及が翌日以降になることも珍しくなかった。AI外観・寸法検査を導入すると、寸法の推移や不良発生箇所の分布がリアルタイムでグラフ化されるため、金型の摩耗や材料ロットの変化といった不良の予兆に早い段階で気づけるようになる。取引先から品質証明として測定データの提出を求められる場面でも、個体ごとの記録をそのまま提示できるため、トレーサビリティの面でも実務上の負担が軽くなる。

ねじ・ばね製造の検査工程が抱える3つの課題

地方中小企業のねじ・ばね製造の現場でAI外観・寸法検査への関心が高まっている背景には、業種に共通する3つの課題がある。ねじ・ばねはいずれも1個あたりの単価が数円〜数十円と低く、検査に人手をかけすぎるとコスト構造が成り立ちにくい。一方で自動車・家電・医療機器など供給先の品質要求は年々厳しくなっており、少ない人数で検査精度を上げなければならないという矛盾を抱えている。

• 属人化：ねじ山の状態やばねの巻き乱れを見分ける判断基準が、長年勤めた検査員の経験と勘に依存している。
• 人手不足：小さな部品を長時間見続ける検査作業は目の負担が大きく、若手が定着しにくい。
• アナログ業務：抜き取り検査の結果を紙の検査成績書に手書きし、ロットごとの傾向分析に活用できていない。

厚生労働省・経済産業省がまとめる資料でも、地方の製造業では人手不足と技能継承の遅れが長年の構造課題として指摘されており、金属加工・部品製造の現場は特に検査工程での負担が大きいとされる（経済産業省「ものづくり白書」参照）。実際、富山県のばね製造会社では、コイルばねの巻き乱れを見分けられる検査員が社内に1名しかおらず、その担当者が休むと出荷検査自体が止まってしまう状態が続いていた。この会社の場合、退職後の技能継承に危機感を持ったことがAI外観検査導入の直接のきっかけになったという。

AIが微小欠陥を自動検出する仕組みと寸法検査の精度

ねじ・ばね製造のAI外観・寸法検査では、寸法測定と外観判定という2種類の処理が並行して行われる。寸法測定は、撮影画像の画素(ピクセル)単位の情報をサブピクセル解析という手法で補間し、ねじの呼び径や全長、ばねの線径や自由長を数ミクロン単位の分解能で算出する。外観判定は、正常なワークの画像パターンをディープラーニングのモデルに大量に学習させ、そこから外れる領域(キズ・打痕・メッキムラ・バリ)を異常として検出する仕組みが一般的だ。

ねじの検査で特に重要になるのが、ねじ山のかじり・つぶれ・不完全山の検出である。ねじ山は周期的な形状のため、AIは山の連続パターンを学習し、1ピッチでも欠けや変形があれば不良候補として検出する。ばねの検査では、線径のわずかな太り・細り、巻きピッチの乱れ、両端フックの角度ズレが主な検出対象になる。ばねは荷重特性(バネ定数)が製品性能に直結するため、外観上は問題なく見えても巻きピッチが基準からずれているだけで不良と判定されるケースがあり、AIによる数値化がなければ見逃されやすい欠陥だ。

広島県で自動車向けの特殊ねじを製造する企業の場合、以前はねじ頭部のメッキ不良を検査員が蛍光灯下で目視確認していたが、光の反射具合によって見え方が変わり、検査員ごとに合否判定がぶれることが課題だった。AI外観検査を導入した後は、複数角度からの撮影画像をAIが統合して判定するようになり、メッキ不良の見逃し件数が導入前と比べて大幅に減少したという。現場の検査員は、AIが不良候補として抽出した画像を並べて確認する業務に役割が変わり、1日あたりの検査対応件数を維持したまま判定のばらつきを抑えられるようになった。

なお、AIの判定モデルは導入した時点で完成するわけではない。新しい製品を生産するたびに良品・不良品のサンプル画像を追加で学習させる「追加学習」の工程が必要になり、この運用を怠るとメッキの色味の違いや材料ロットの変化を誤検知してしまうことがある。地方中小企業の場合、社内にAIモデルの調整ができる人材がいないケースが多いため、導入時にどこまでを自社で運用し、どこから外部の支援を受けるかを事前に線引きしておくことが、長く使い続けるうえでの実務上のポイントになる。

目視検査とAI外観・寸法検査を比較するとどう違うのか

ねじ・ばね製造における目視検査とAI外観・寸法検査の違いを整理すると、検査範囲・検査時間・判定基準の3点で明確な差が出る。抜き取り検査を続ける限り、検査対象外のロットに不良が混入するリスクは常に残るが、全数検査に切り替えるには検査時間の短縮が前提条件になる。

栃木県で標準ねじ・特殊ねじを製造する企業の場合、AI外観・寸法検査を導入してから3か月後の実績として、出荷後にクレームとして戻ってきた不良品の件数が導入前の約4分の1まで減少したと報告している。この会社では、検査コストの増加を懸念していたが、実際には抜き取り検査に配置していた検査員2名のうち1名を別工程に再配置でき、人件費を増やさずに検査範囲を全数に拡大できたという。

初期投資については、対象製品のサイズ・生産速度・必要な検査項目によって幅があり、小型のねじ1品種に絞った据え置き型の検査装置であれば比較的小規模な投資で試験導入できる一方、複数ラインへの本格展開や高速搬送への対応が必要になると投資額は大きくなる。地方中小企業の多くはこの投資判断で迷いがちだが、いきなり全ラインへの一括導入を目指すのではなく、不良流出の影響が最も大きい製品・工程から段階的に対象を広げる進め方であれば、投資回収の見通しを立てながら導入を進めやすい。

地方中小企業がねじ・ばね製造の検査をAI化する進め方

地方中小企業がAI外観・寸法検査を導入する際、いきなり高額な検査装置を発注してしまい、自社の生産ラインの搬送速度や部品形状に合わずに使いこなせないという失敗が少なくない。ねじ・ばね製造は品種・サイズのバリエーションが多いため、まず自社のどの製品・どの欠陥モードを優先的にAI化すべきかを整理する工程が欠かせない。

地方中小企業専門のAI活用・DX支援サービスであるFURUSATO（フルサト）では、検査装置の提案から入るのではなく、無料の3時間の現場セッションで生産ラインを実際に見ながら、どの工程で不良が発生しやすいか、検査員が何を根拠に合否判定しているかを整理するところから着手する。「ITシステム導入」ではなく「業務変革」を重視する立場から、AI外観検査という道具を入れる前に、検査基準そのものを言語化・数値化し直す作業を優先するのがFURUSATOの支援方針だ。

この進め方が有効なのは、ねじ・ばね製造のような小物部品の検査ほど、担当者の暗黙知が判定基準の大部分を占めているためである。現場セッションでは、担当者だけでなく経営者・社長も同席してもらい、検査工程の課題が生産計画や受注方針とどうつながっているかを一緒に確認する。製造業に限らず建設業・物流・卸売業・サービス業など業種別の支援実績を持つFURUSATOは、属人化・人手不足・アナログ業務という地方中小企業の三大課題に対して、ツールの選定より先に仕組みそのものを見直す支援を続けている。

ねじ・ばね製造業でのAI外観・寸法検査導入事例

ねじ・ばね製造の現場でAI外観・寸法検査を導入した企業の事例を見ると、業態や生産規模によって導入の入り口が異なることがわかる。

建築金物向けの特殊ねじを少量多品種で生産する石川県の企業の場合、1ロットあたりの生産数が数百本と少なく、抜き取り検査ではロットごとの品質差が見えにくいことが課題だった。この会社ではまず全数検査が可能な据え置き型のAI外観検査を1ラインだけに試験導入し、効果を確認してから他のラインへ展開する段階的なアプローチを取った。導入から半年で全4ラインへの展開が完了し、ロットごとの不良率をグラフで可視化できるようになったことで、原料ロットと不良発生の関連性にも気づけるようになったという。

自動車部品向けの圧縮ばねを製造する静岡県の企業の場合、線径0.5ミリ以下の細いばねを扱っており、従来は熟練検査員が拡大鏡を使って1本ずつ確認していた。AI外観・寸法検査を導入した後は、線径・自由長・巻きピッチをまとめて自動測定できるようになり、検査にかかる時間がおよそ7割短縮されたという。検査員は空いた時間を、不良が多発した際の原因分析や工程改善の検討に充てるようになり、検査部門が「判定するだけの部署」から「品質改善を主導する部署」へと役割を広げるきっかけになった。

ねじ製造とばね製造を併営する新潟県の企業の場合、それぞれの製品ラインで検査方式が異なっていたため、AI外観・寸法検査の導入にあたって検査基準の統一から着手した。この会社では、導入前に検査員へのヒアリングを重ねて欠陥の分類基準を整理し、その基準をAIモデルの学習データに反映させたことで、導入後の判定精度のばらつきを最小限に抑えられたという。中小企業庁がまとめる調査でも、中小製造業における技能継承と品質管理のデジタル化は共通の経営課題として位置づけられており（中小企業庁「中小企業白書」参照）、検査基準の言語化・数値化はAI導入の成否を左右する重要な準備作業と言える。

よくある質問（FAQ）

Q: ねじ・ばね製造のAI外観・寸法検査は小ロット生産の工場でも導入できるか

A: 導入できる。据え置き型の検査装置を1ラインだけ試験導入し、効果を確認してから他ラインへ段階的に広げる進め方であれば、少量多品種の地方中小企業でも初期負担を抑えて始めやすい。

Q: AI外観・寸法検査を導入すると検査員の仕事はなくなるのか

A: なくならない。AIが抽出した不良候補の最終確認や原因分析、検査基準の見直しは引き続き人が担うため、検査員の役割は判定作業そのものから品質改善の検討へと移っていく傾向がある。

Q: ねじ山のかじりやばねの巻き乱れのような微小な欠陥もAIで検出できるか

A: 検出できる。高倍率カメラと複数角度からの照明を組み合わせて撮影し、良品パターンから外れる箇所をAIが数値化して判定するため、光の反射に左右される目視確認より安定して検出しやすい。

Q: 導入前にどのくらいの準備期間が必要か

A: 検査基準の言語化やAIの学習データ整備を含めると、数週間〜数か月かかることが多い。まず現場の課題整理から始めるFURUSATOの3時間セッションのような入り口を使うと準備の抜け漏れを防ぎやすい。

Q: 導入コストに見合う効果は出るか

A: 出るケースが多い。不良流出によるクレーム対応コストの削減や検査人員の再配置効果を含めて試算すると、数か月〜1年程度で投資回収できたという地方中小企業の事例が複数報告されている。

関連記事

• 板金・金属加工のAI寸法検査(vision)｜プレス公差を自動測定し不良を削減
• 木工・家具製造のAI寸法検査（vision）｜加工公差を自動測定し検品を効率化
• 刃物・包丁製造のAI寸法検査｜加工公差と刃付けを自動測定し品質を担保する方法

地方中小企業のAI活用・DX推進でお悩みの方は、FURUSATO（フルサト）へお気軽にご相談ください。まず無料の3時間現場セッションで、御社の課題を一緒に整理します。