AIカメラシステムは、プラスチックキャップ製造業者向けに、コンベアベルト上のプラスチックボトルキャップの検出とカウントを行い、空気圧駆動による不良品選別を行う。

課題の背景

本事例の課題は、コンベヤ上のプラスチック製飲料水ボトルキャップを、人手による再検査とカウントに代えてカメラで検査・カウントすることです。お客様はプラスチックキャップメーカーで、射出成形機から出たキャップが搬送コンベヤで運ばれ、その後、作業員が再検査と数量カウントを行っていました。

お客様が排出したい欠陥は、バリと成形不良のキャップです。また、不良キャップを取り除くだけでなく、良品・不良キャップのカウント数を生産報告のデータとして求めていました。

要件と制約

システムには、コンベヤを通過するキャップを検査し、複数の色のキャップに対応することが求められました。主な要件は次のとおりです。

• コンベヤを通過するキャップを全数検査し、バリや成形不良のあるキャップを検出する
• 不良キャップを検出後すぐにコンベヤから排出する
• 白色と青色の両方のキャップに対応する
• 良品（OK）と不良（NG）のキャップ数をカウントし、生産報告に使用する
• タブレットやPCのWebブラウザでライブ映像とカウント数を確認し、システムを設定する

このシステムはコンベヤ上のキャップをどのように検査・カウントし、不良キャップの排出をどのように設計しているのでしょうか

このシステムでは、LearningCamのInspection Camモデルをコンベヤの上方に設置します。カメラはキャップを連続撮影し、AIモデルで各キャップが良品か不良かを判定してカウントします。設計方針では、不良キャップを検出すると、カメラがController and Rejectユニット（制御・排出ユニット）に信号を送り、エアブローでそのキャップをコンベヤから弾き出します。

1. 1

   カメラの下をコンベヤで通過するキャップ

   射出成形機から出たキャップは搬送コンベヤで運ばれ、コンベヤ上方にカメラ固定治具（Jig/Fixture）で固定されたLearningCamのInspection Camモデルの下を通過します。

2. 2

   AIモデルがOKまたはNGを判定

   カメラは連続撮影を行い、工場の実際のキャップ画像で学習したAIモデルが各キャップのバリや成形不良の有無を検査して、良品（OK）または不良（NG）と判定します。

3. 3

   空気圧駆動による不良品選別メカニズム

   設計方針では、不良キャップを検出すると、カメラがController and Rejectユニットに信号を送り、ソレノイドバルブ（エアを開閉する電動バルブ）がエアブローでそのキャップを弾き出します。良品キャップはそのまま流れていきます。

4. 4

   カウントと表示

   カメラ内蔵のソフトウェアがライブ映像とOK/NGカウント数を表示します。ユーザーはタブレット、モニター、またはPCのWebブラウザを開き、Router Wi-Fi 6とIoT Gateway（現場の機器をネットワークに接続する機器）を介してIPアドレス（ネットワーク上のカメラのアドレス）を入力します。

5. 5

   検査結果レポートの閲覧

   生産部門は検査結果レポート画面（Inference Report）を開いて期間別・モデル別に結果を集計でき、生産事務所からネットワーク経由で検査の開始・停止を指示することもできます。

当社は検査・カウント用ソフトウェアを内蔵したカメラを選定しました。そのため、ユーザーはライン脇にコンピュータを設置することなく、Webブラウザで結果を確認できます。検出すべき欠陥はこの工場の射出成形で発生するものであるため、工場の実際のキャップ画像でモデルを学習させました。

納入物

当社の担当は、機器の調達、お客様のコンベヤへのシステム設置、白色キャップ向けAIモデルの学習です。作業範囲の項目は次のとおりです。

• LearningCamのInspection Camモデル1台（ライブ映像とOK/NGカウント数を表示する内蔵ソフトウェア付き）
• Controller and Rejectユニット（不良キャップのエアブロー排出用ソレノイドバルブ付き）
• カメラと工場内のタブレットやPCを接続するRouter Wi-Fi 6とIoT Gateway
• コンベヤ上方へのカメラ固定治具（Jig/Fixture）の取り付け作業と現地でのシステム設定
• 工場の実際のキャップ画像で学習したキャップ欠陥検査用AIモデル
• 期間別・モデル別に結果を閲覧できる検査結果レポート画面（Inference Report）

現地試験で確認できた成果

2026年1月–3月の現地テストでは、LearningCamのInspection Camモデルが白色キャップを毎分約398個で120分間連続して検査・カウントし、社内テスト報告書の様式に定められた基準を満たしました。この結果は検査とカウントのテストによるものであり、まだ排出システム一式の検収結果ではありません。

白色キャップのモデルでテストした青色キャップはまだ基準に達していないため、キャップの色ごとにモデルを学習させる計画です。現在、他の色のキャップ向けのモデル調整とシステム一式の納入確認を進行中です。

テスト中、Wi-Fi信号が弱いために生産事務所から開いたライブ映像が途切れましたが、開始・停止の指示とカウント数は引き続き利用できました。

私たちが学んだこと

本件から、AIカメラによるプラスチック射出成形品の検査について、次の原則が得られました。

• モデルは学習に使用したワークの特性にのみ有効です。本件では、白色キャップで学習したモデルを青色キャップに使用した場合、まだ基準に達していません。したがって、新しい色や型式のキャップは、モデルの学習とテストを新たに行う作業として扱う必要があります。
• 検査結果と排出結果は分けて確認します。キャップの検査・カウントが先に基準を満たすことはありますが、エアによる排出ユニットには独自の検収が必要です。結果はモデルの判定とエアブロー機構の両方に左右されるためです。
• 主要な作業はライブ映像に依存すべきではありません。本件では、Wi-Fi信号が弱くライブ映像が途切れましたが、開始・停止の指示とカウント数は引き続き利用できました。そのため、設置前に閲覧場所の電波状況を調査することをお勧めします。

この手法を貴社のプラスチック射出成形ラインにどう適用できるか

貴社のラインでキャップや小型のプラスチック射出成形品をコンベヤで流して生産している場合、本事例と同じ手法を適用できます。具体的には、コンベヤ上方のカメラ、実際のワークで学習したモデル、OK/NGカウント、エアブロー排出ユニットの設計方針です。調整が必要なのは、ワークの色や型式ごとのモデルと、カメラおよびエアノズルの取り付け位置です。

• 色や型式ごとに良品と実際に欠陥のあるワークを用意し、モデル学習用にチームが撮影できるようにします
• テスト前に、コンベヤ速度、テスト時間、測定方法を含む受入基準を取り決めます。全体の精度だけを見るのではなく、不良キャップの検出率と良品キャップの誤排出率を分けて確認します
• 生産量が最も多い色または型式から始め、基準を満たしてから他の色のモデルを追加します
• 現場の実際の照明下でテストし、画角が一定になるようカメラを固定します