世界の製造業は、最高品質の製品の複数のバリエーションを最短期間で市場に投入するというプレッシャーに直面しており、すべての工程において、AI主導の自動化への移行は避けられなくなりました。

品質検査では、AI主導のコンピュータービジョンシステムにより、製品が会社によって設定された品質基準に準拠するように、生産プロセスの合理化がすでに可能になっています。これにより、24時間年中無休の生産と迅速な意思決定を可能にしながら、効率の向上、運用コストの削減という利点がもたらされます。

世界のタイヤメーカーは、品質保証を含むさまざまな分野でAIを活用したテクノロジーを早期に採用してきました。ここでのAIの主な用途の1つは、ディープラーニングベースのコンピュータービジョンシステムを使用したタイヤの欠陥検出です。 タイヤの製造プロセスで使用される原材料の性質により、タイヤのコンポーネントは、金属または非金属の不純物（スチールスレッド、ネジ、プラスチックの破片など）、気泡、およびオーバーラップによって混入する可能性があります。タイヤに欠陥のある車両を高速で走行させると、これらの欠陥により寿命が短くなり、タイヤがパンクすることさえあります。

背景 

インドのタイヤ業界は、自転車からクレーン用途向けに、直径が8インチから19インチ、幅が400mmから1000mmの150種類以上のタイヤを製造しています。これに加えて、80項目以上のタイヤの欠陥を検出する必要があり、訓練された人材の不足に絶えず苦労しています。

人材に関する彼らの課題は多岐にわたります。経験豊富な人材の不足、必要な専門知識の育成時間、欠陥の特定を人に依存、チームの変化に伴う再現性などです。これらの課題を克服するため、タイヤメーカーはタイヤの品質検査と欠陥検出のための自動化ソリューションを必要としています。

イグニタリアムのエンジニアは顧客との関わりの中で、タイヤの欠陥を正確に検出するために解決すべき主な問題は次のとおりであることを見いだしました。

• 手動テストを模倣し、既存の製造および品質管理プロセスフローに統合する。
• オペレーターが配置したさまざまなタイヤサイズに自動調整し、タイヤの内壁と外壁が1回転で捕捉されるように回転する機械的な固定器具を設置する。
• 最適な回転速度で画像をキャプチャし、欠陥を処理、分析、検出する。
• それぞれの欠陥場所で停止し、タイヤに欠陥をマークする。
• タイヤを簡単で安全に取り外す。

タイヤの欠陥の種類

タイヤの製造中に一般的に発生する可能性のある80項目以上の欠陥のうち、重大度セットを作成するために分類されます。それぞれのタイヤメーカーは、独自の化学的レシピと機械的製造プロセスに基づいて、独自の分類方法を持っています。通常これらの約30項目以上が重大度が高いと見なされます。欠陥項目の代表的な見本を、以下の画像に示します。

タイヤの欠陥検出

タイヤの品質検査の代表的な方法は、X線装置を使用することです。ただし、X線装置は多くのスペースを必要とし非常に高価です。私たちはその代わりに、RGBカメラを使用してタイヤの画像をキャプチャしました。タイヤの欠陥検出の問題を解決するために、インスタンスのセグメンテーション（オブジェクト検出とセグメンテーションの組み合わせ）を選択しました。これにより、セマンティックセグメンテーションのように各ピクセルを分類するのではなく、画像に含まれる各欠陥の各インスタンスを識別できます。

データ生成

データの生成には、すでに特定されマークされた欠陥がある複数のタイヤからキャプチャされた画像を使用しました。1080p解像度のカメラを使用して、欠陥のある「良好な」画像のビデオをキャプチャしました。一般化を行うために、さまざまな角度から画像キャプチャを行いました。

データの準備

データ準備は、処理と分析の前に生データをクリーンアップして変換するプロセスです。 これは処理前の重要なステップであり、多くの場合、データのラベル付け、データの再フォーマット、およびデータの修正が含まれます。 データは、生成されたいくつかのビデオからフレームをダンプし収集しました。 次に、対象領域（ROI）内の欠陥部分に、LabelMe などのラベル付けツールを使用してラベルを付けました。

インスタンス・セグメンテーション

インスタンスセグメンテーションは、オブジェクトが検出され、個々のピクセルレベルでマスクする手法です。これは、1）フレーム内の個々のオブジェクトを分類してローカライズするオブジェクト検出と、2）各ピクセルを事前定義されたクラスに分離するセマンティックセグメンテーションを組み合わせたものです。インスタンスセグメンテーションにより、画像の各ピクセルにラベルを付けることができます。

Mask-RCNN

Mask-RCNNは、コンピュータービジョンのインスタンスセグメンテーションの問題に対処するディープニューラルネットワークです。 Mask R-CNNは、2つのよく知られたネットワークトポロジの組み合わせです。より高速なR-CNNと完全に接続されたネットワーク（FCN）です。 Mask-RCNNは2段階のプロセスに従います。 最初のステップでは、入力画像ごとに、オブジェクトが存在する可能性のある領域に関する提案が生成されます。 2番目のステップでは、オブジェクトのクラスが予測され、最初のステップで生成された提案に基づいて、オブジェクトのピクセルレベルのマスクが生成されます。

インプリメンテーション

Mask-RCNNのカスタマイズされたバリアントを使用して推論パイプラインを構築します。ベースの Keras インプリメンテーション は https://github.com/matterport/Mask_RCNN.git にあり、参考文献は https://arxiv.org/pdf/1703.06870.pdf にあります。

推論時間

以下の表は、最適化されていないモデルの推論時間です。

モデルの最適化手法を使用すると、画像あたりの遅延を150ミリ秒未満に短縮できます。

精度

カスタマイズされたモデルは、96％の検出精度を達成することができました。

結論

タイヤ欠陥検出のこの研究開発成果は、タイヤ品質検査プロセスの大幅な自動化を達成することが可能であることを示しています。 高い検査スループットが要求される実際のシステムでは、自動検査治具が必要になります。 これには、タイヤの外面と内面を同時に表示する複数のカメラ、タイヤを360度回転させるモーターアセンブリ、タイヤの動き、画像のキャプチャ、検出を同期できる制御システムが含まれます。

英語記事