生産量の増加に伴い、生産効率を向上させる取り組みや新しい設備の導入を進めてきました。
しかし、検査工程、特に外観検査においては効率化が難しく、2交代制や残業を導入するなど、マンパワーに頼った方法での対応方法しかない状態でした。

検査工程の迅速化と人手の削減を期待しました。

採用の大きな要因は、初期段階でのティーチング量が非常に少ない点でした。
少量多品種の製品群に対して、一つ一つの品種ごとにAIモデルを構築するのは現実的ではありませんでした。
そこで、抽象化したモデルを用いて画像を基にした外観検査の自動化が出来ないかと模索していたところ、gLupeを発見しました。

導入後の運用フローは、大体「OK・NGモデルの学習」から「実製品への適用」という手順で進めています。
通常、NGモデルの学習には数百枚のデータが必要とされることが多いようですが、gLupeの場合、数枚から十数枚程度で対応できるのが大変助かっています。
以前は1製品の外観検査に10分かかっていたのが、gLupeの導入により2.5分に短縮。
仮運用を進めながら過剰判定等の判定基準の微調整を行っていますが、キズかそうではない加工跡なのかを数枚で認識可能となっています。
半年間の運用で約2万枚の検査を行いましたが、少しの過検出はあるものの、見逃しは一切ない状態です。

今後の目標は、本機に搬送やその他の周辺装置を追加することで、24時間連続での外観検査を可能にすることです。