鉄鋼生産現場にAI(ディープラーニング)を導入
製品の品質向上を実現する

事例の概要

課題背景

成果

導入ソリューション

事例の詳細

導入前の背景や課題

緩衝材のトラブルを検知し
製品の品質を保ちたい

2019年4月に新日鉄住金から社名を変更して再スタートを切った日本製鉄様。鋼のもととなる粗鋼の生産量は日本トップで、世界でも五指に入る規模を誇ります。名古屋製鉄所は、原料から鉄を作り、薄板や鋼管などの最終製品とするラインを有する同社の中核工場の一つです。

同製鉄所の代表的な製品の一つが薄板を巻いたコイルで、その直径は60センチから1メートルほど、重量はトン単位になります。生産ラインからクレーンで自動運搬されたコイルは、倉庫で段積みにされて出荷を待ちます。

選択のポイント

デジタル加工によって生成した
大量の画像を教師データに

緩衝材のずれや脱落を検知する仕組みとして検討されたのは3つの方法でした。レーザーでスキャンする、緩衝材にIDタグを埋め込む、カメラで撮影する──。その中で最もトラブル検出の精度が高いと考えられたのがカメラを使う仕組みでした。

問題は、画像処理の自動化でした。倉庫は広大で、場所によって照明の明るさや色が異なります。コイルの大きさには複数の種類があり、緩衝材自体の色もまちまちでした。それらの変数を踏まえて緩衝材のトラブルをいかに正確に検知するか──。

「着目したのがAI(ディープラーニング)による画像認識の仕組みです。これを使えば、AIが緩衝材のトラブルの特徴を学習し、さまざまなケースに自動で対応してくれるからです。そこで、かねてよりおつき合いのあったNECに相談させていただきました」

AI画像認識ソフトウェア市場で国内トップクラスのシェアをもつ「RAPID機械学習」の採用がそうして決まりました。RAPID機械学習の機能を活用するには、緩衝材の脱落状況を示す多様な画像、いわゆる教師データをAIに学ばせる必要があります。しかし、ずれや脱落の状態は極めて多岐にわたり、そのすべてを撮影することは不可能でした。

「そこで、デジタル加工によって画像のバリエーションを大量につくり、それを教師データとすることにしました。最終的に1万種類以上の画像を生成しました」

結果、十分な量の教師データを確保することに成功し、AIによる画像認識の基盤が出来上がったのです。

導入後の成果

検出率80％を実現
過検出率は1％以下に抑える

コイルを運搬する6つのクレーンにそれぞれ2台ずつのカメラを設置し、撮影した画像を無線で1台のサーバーに送って集約処理をする──。それが完成したトラブル検知のシステムでした。「画像認識の仕組みの開発には1年弱ほどかかりましたが、実装自体は10カ月という短期間で実現できました」と園田氏は話します。

このシステムによる緩衝材トラブル検出率はおよそ8割で、一方の過検出率は1％未満に抑えることに成功しています。

「トラブルではないのにトラブルと判定してしまう過検出が増えると、ラインを止める回数が増えて、生産性が落ちてしまいます。過検出を最小限に抑えながら、検出率を上げる。そのバランスの実現が非常に重要であると考えています」

AI(ディープラーニング)のメリットは、データが増えれば増えるほど精度が向上する点にあります。日々蓄積していくデータによって検出率をさらに向上させていくことが現在の目標です。

NEC担当スタッフの声

お客様プロフィール

日本製鉄株式会社　名古屋製鉄所

この事例の製品・ソリューション

(2020年3月9日)

関連事例