GFは 会社の史上 最大級の市政注文を 確保した!
2026-07-03
.gtr-container-x7y8z9 {
font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif;
font-size: 14px;
line-height: 1.6;
color: #333;
padding: 15px;
box-sizing: border-box;
}
.gtr-container-x7y8z9 p {
margin-bottom: 1em;
text-align: left !important;
word-wrap: break-word;
overflow-wrap: break-word;
}
.gtr-container-x7y8z9 p:last-child {
margin-bottom: 0;
}
.gtr-container-x7y8z9 .gtr-heading-style {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-top: 1.5em;
margin-bottom: 0.8em;
}
.gtr-container-x7y8z9 img {
vertical-align: middle;
}
.gtr-container-x7y8z9 div {
margin: 0;
padding: 0;
}
@media (min-width: 768px) {
.gtr-container-x7y8z9 {
max-width: 960px;
margin: 0 auto;
padding: 25px;
}
}
スイスの産業グループであるゲオルグ・フィッシャー（GF）は最近、ブラジルの大手都市給水・廃水処理事業会社であるサベスプと約1億スイスフラン（約8億7,000万人民元に相当）相当の2年契約を締結した。この 2 年間の受注は、GF の企業史上最大の地方自治体向け契約となり、これまでにグループが獲得した単一受注としては最大の部類に入ります。
産業および建築アプリケーションを超えて、GF は革新的な自治体向けソリューションの包括的なポートフォリオを提供します。水源や処理場からエンドユーザーの蛇口までの水サイクル全体をカバーし、貴重な水資源を保護し、パイプラインの漏水を削減するために給水インフラのエンドツーエンドのサポートを提供します。
ブラジル最大の地方公共団体と提携して水道網の近代化を推進
1973 年に設立された Sabesp は、ブラジル最大の給水および衛生会社であり、給水人口では世界最大の水道事業会社にランクされています。サンパウロ州内の 375 の自治体に配水および廃水処理サービスを提供し、約 2,800 万人の住民をカバーしています。 Sabesp と GF は、長期にわたる成功したパートナーシップを共有しています。このプロジェクトの下で、GFはサンパウロ州の水道ネットワークを近代化するための配管システム製品と統合ソリューションを提供します。
水道インフラを近代化し、2033年までに水と衛生サービスへの誰もがアクセスできるようにするというブラジルの国家的取り組みの一環として、サベスプ社は配水網の改善に多額の投資を行っている。昨年、GF は試験導入用の NeoFlow 圧力マンホールを納入し、GF、VAG、Uponor およびその他のブランドの技術をコンパクトで設置が簡単なソリューションに統合しました。契約条件に従い、GF は Sabesp の都市水道システムのアップグレード目標をサポートするために、PE パイプを含むあらゆる製品を供給します。
公式プレスリリースの英語翻訳
「世界中の水道事業体は、無収水損失を削減し、老朽化したインフラを最新化するという高まるプレッシャーに直面しています。Sabespとの協力は、当社がこれらの課題にどのように対処できるかを示しています。」とGFのCEO、アンドレアス・ミュラーは述べています。 「これは、地方自治体の水道事業者とインフラストラクチャの顧客に革新的なエンドツーエンドのソリューションを提供することで地方自治体分野におけるリーダーシップを強化することを目指す当社の戦略2030とも一致しています。」
サベスプの調達ディレクター、グスタボ・ド・ヴァレ・フェールベルグ氏は、「GFの圧力マンホールの展開の成功を受けて、私たちは自治体の水道システムの近代化をさらに進めるためにパートナーシップを拡大しています。この次の段階では、地域全体の重要な水道網の更新を加速し、何百万人もの人々に安全な飲料水を届けることになります。」とコメントしました。
お問い合わせ
産業用外観検査: マルチモーダル大型モデルの魅力
2026-06-26
.gtr-container-k7p2q9 {
font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif;
color: #333;
line-height: 1.6;
padding: 15px;
box-sizing: border-box;
max-width: 100%;
overflow-x: hidden;
}
.gtr-container-k7p2q9 p {
font-size: 14px;
margin-bottom: 1em;
text-align: left !important;
}
.gtr-container-k7p2q9 .gtr-section {
margin-bottom: 2em;
}
.gtr-container-k7p2q9 .gtr-heading-main {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-top: 2em;
margin-bottom: 1em;
text-align: left;
}
.gtr-container-k7p2q9 .gtr-heading-sub {
font-size: 16px;
font-weight: bold;
color: #333;
margin-top: 1.5em;
margin-bottom: 0.8em;
text-align: left;
}
.gtr-container-k7p2q9 ul {
padding-left: 20px;
margin-bottom: 1em;
}
.gtr-container-k7p2q9 ul li {
list-style: none !important;
position: relative;
margin-bottom: 0.5em;
padding-left: 15px;
font-size: 14px;
text-align: left;
}
.gtr-container-k7p2q9 ul li::before {
content: "•" !important;
position: absolute !important;
left: 0 !important;
color: #0000FF;
font-size: 1.2em;
line-height: 1;
}
.gtr-container-k7p2q9 ol {
counter-reset: list-item;
padding-left: 20px;
margin-bottom: 1em;
}
.gtr-container-k7p2q9 ol li {
list-style: none !important;
position: relative;
margin-bottom: 0.5em;
padding-left: 25px;
display: list-item;
font-size: 14px;
text-align: left;
}
.gtr-container-k7p2q9 ol li::before {
content: counter(list-item) "." !important;
position: absolute !important;
left: 0 !important;
font-weight: bold;
color: #0000FF;
text-align: right;
width: 20px;
}
.gtr-container-k7p2q9 .gtr-image-wrapper {
margin-top: 1.5em;
margin-bottom: 1.5em;
}
.gtr-container-k7p2q9 img {
vertical-align: middle;
}
@media (min-width: 768px) {
.gtr-container-k7p2q9 {
padding: 25px;
max-width: 960px;
margin: 0 auto;
}
}
I. 興味をそそる質問
2023 年初頭に GPT-4V が発売されてから間もなく、私たちは長年のクライアントから電話を受けました。
家電メーカーのテクニカルディレクターを務めた。 2年前にYOLOv5ベースの表面検査システムを工場に導入し、それ以来安定して稼動していました。
彼は電話で次のような示唆に富んだ質問をした。
「GPT-4V があらゆる種類の画像を解釈し、ほぼすべてを認識できることがわかりました。品質検査に GPT-4V を直接採用できますか? そうすれば、データのラベル付けが完全に不要になるでしょうか?」
私はそのとき率直な答えを保留した。
実を言うと、私たち自身も同様にそのアイデアに魅了されました。
マルチモーダルな大型モデルのデモは間違いなく印象的です。モデルにランダムな画像を入力すると、内容の概要を示し、欠陥を特定し、障害の種類を分類できます。トレーニングやラベル付けは必要ありません。箱から出してすぐにゼロショットのパフォーマンスを実現します。
この機能がシームレスに工場に導入されれば、工業用外観検査のルールブック全体が書き換えられるでしょう。
私たちは 2 年近くをかけて、複数のプロジェクトにわたって多様なマルチモーダル大規模モデル ソリューションをテストしました。
私たちの結論は明らかです。このテクノロジーは魅力的に見えるかもしれませんが、実際の産業応用には厳しい制限が伴います。
この記事では、この 2 年間で私たちが遭遇した落とし穴をすべて記録します。
II.現在の状況を確立する: YOLO はデファクトスタンダードになりました
マルチモーダルな大規模モデルに取り組む前に、業界のベースラインを確立することが重要です。
今日の工業用外観検査の主流のソリューションは、YOLO シリーズに代表されるオブジェクト検出およびセグメンテーション モデルに依存しています。
これは決して新しい傾向ではありません。 YOLOv3 から始まり、広く展開されている YOLOv8、YOLOv9、YOLOv10 を経て、YOLO ファミリは長年にわたり産業生産ラインに実装され、完全に成熟した技術スタックを誇っています。
なぜYOLOがデファクトスタンダードになったのか?
まず、超高速の推論速度です。
産業用カメラと組み合わせた標準的なエッジ コンピューティング ボックスに搭載された YOLOv8 は、1 フレームの推論を 10 ～ 30 ミリ秒以内に完了し、ほとんどの生産ラインのタクト タイムと一致します。
第二に、十分な検出精度。
適切なラベル付きデータセットを使用すると、YOLO シリーズは一般的な欠陥カテゴリに対して優れた精度を達成し、90% を超える mAP を容易に達成します。
第三に、成熟した導入エコシステム。
既製のツールチェーンは、ONNX、TensorRT、OpenVINO などの複数のデプロイメント フレームワークをサポートします。モデルのトレーニングからオンサイト展開までの完全なワークフローは、数え切れないほどの産業プロジェクトによって検証されています。
4 番目は、包括的なオープンソース エコシステムです。
活発なオープンソース コミュニティは、豊富な事前トレーニング済み重み、データ拡張キット、およびラベル付けツールをすぐに利用できるようにして、ほとんどの技術的ハードルに対するアクセス可能な修正を提供します。
したがって、YOLO シリーズは、2024 年に開始される工業用外観検査プロジェクトの実質的なデフォルトの選択肢となります。
ディープラーニングを採用すべきかどうかを議論する必要はありません。その問題は 10 年前に解決されました。
ここで、新たな核心的な疑問が生じます。マルチモーダルな大規模モデルの出現により、YOLO は依然として最適なソリューションであり続けるのでしょうか?
Ⅲ．マルチモーダル大規模モデルの魅力: 期待の蜃気楼
2023 年には、マルチモーダルな大型モデルのリリースが爆発的に増加しました。
GPT-4V、Gemini、Claude 3 などのモデルは、強力な一般的な画像理解機能を提供します。
私たちはこれらのモデルでテストを実行しましたが、正直に言って、そのデモのパフォーマンスは本当に印象的でした。
魅力1：ゼロショット機能
従来のワークフロー: 特定の種類の欠陥を検査するには、まずその欠陥の画像を収集、ラベル付けし、トレーニングする必要があります。データがないということは、使用可能なモデルがないことを意味します。
マルチモーダル大規模モデル: 「この画像に傷があるかどうかを確認してください」などの要求を自然言語で記述するだけで、モデルは即座に結果を返します。トレーニングやラベル付けは必要ありません。
これはどういう意味ですか？コールドスタートのコストはゼロに近くなります。
新製品を発売する場合、データ収集、ラベル付け、モデルのトレーニングに 2 週間を費やす必要はありません。数行のプロンプトを入力するだけでモデルを使用できるようになります。
魅力 2: 高度な意味理解
従来のモデルは、境界ボックスと信頼度スコアのみを出力します。たとえば、「このボックス内に欠陥が存在し、信頼度は 0.87」です。
マルチモーダルな大型モデルは、説明的な自然言語を生成します。「写真の左上隅に約 2cm の傷が表示されますが、これは輸送中に形成されたものと考えられます。梱包プロセスを最適化することをお勧めします。」
これはどういう意味ですか？検査結果をそのまま正式な品質検査報告書に変換できます。
魅力 3: 強力な汎化能力
従来のモデルは、トレーニング中に見られる欠陥タイプのみを認識できます。彼らは、まったく新しい目に見えない欠陥を特定できません。
理論的には、マルチモーダル大規模モデルはインターネットから取得した大量の画像を処理し、あらゆる種類のまれで不規則な欠陥を潜在的に認識できるようにしています。
これはどういう意味ですか？ロングテール欠陥と異常なエッジケースのカバー範囲が大幅に向上します。
魅力 4: インタラクティブな検査ロジック
従来のソリューションでは、固定の検査ルールがモデルに埋め込まれています。検査基準を改訂するには、徹底的な再教育が必要です。
マルチモーダルな大規模モデルは、プロンプトを介した標準の動的な調整をサポートします。たとえば、ある日はしきい値を「1cm以上の傷はNG」として設定し、次の日には基になるモデルを変更せずに「0.5cm」に切り替えることができます。
これはどういう意味ですか？調整検査基準は非常に柔軟になります。
これらすべての利点を読んで、あなたも、当時の私たちと同じように、誘惑に駆られるかもしれません。そのため、私たちはマルチモーダルな大規模モデルをいくつかの実際のプロジェクトに導入することにしましたが、その後、コストのかかる落とし穴に次々と遭遇することになりました。
IV.実際の導入時に遭遇する、コストのかかる 6 つの落とし穴
落とし穴 1: 生産ラインには不適切な過度の推論遅延
当社のパイロットプロジェクトは、携帯電話筐体の外観検査に焦点を当てました。
生産ラインは 3 秒ごとに 1 つのワークピースを処理します。つまり、ロボットによる仕分けのために 1 秒を確保するために、合計検査待ち時間は 2 秒未満に抑える必要があります。
GPT-4V API ワークフローをテストしました。
画像をアップロードしてプロンプトを入力します
サーバーの応答を待ちます
検査結果の受け取り
平均遅延は 4 ～ 6 秒に達し、ネットワークの変動中は 10 秒を超える可能性があります。これは組立ラインにとっては遅すぎます。
代わりに、LLaVA や Qwen-VL などのセルフホスト型オープンソース マルチモーダル モデルを提案することもできます。これらもテストしました。 A100 GPU で LLaVA-13B を実行すると、単一画像の推論レイテンシーは約 800 ミリ秒から 1.2 秒になります。
クラウド API よりも高速ですが、依然として YOLO よりも数十倍遅いです。
落とし穴 2: スループットとコンピューティング コストの急増
たとえ議論のためにレイテンシを許容したとしても、コスト計算からは厳しいことがわかります。
1 つの生産ラインでは毎日何枚の画像を処理しますか?
3 秒ごとに 1 つのワークを処理し、毎日 20 時間稼働すると仮定すると、1 つのラインで 1 日あたり約 24,000 枚の検査画像が生成されます。
GPT-4V API の場合、単価は解像度とトークン消費量に応じて、画像あたり 0.01 ドルから 0.03 ドルの範囲でした。
1 回線あたりの 1 日あたりのコスト: 240 ～ 720 ドル
回線あたりの月額料金: 7,200 ～ 21,600 ドル
回線あたりの年間コスト: 86,400 ドル～259,200 ドル
これは 1 つのラインにすぎませんが、当社のクライアントは 12 の生産ラインを運用していましたが、これはメーカーにとっては手の届かない出費です。
セルフホスト型のオープンソース モデルについてはどうですか?
単一の A100 GPU は約 1 ～ 2 QPS (1 秒あたりのクエリ数) を実現します。単一回線のピークは約 0.3 QPS で、複数の回線を 1 枚のカードで管理できるようです。
ただし、サーバー、IDC スペース、メンテナンスを考慮すると、A100 導入の年間運用コストは数十万人民元に達します。
対照的に、YOLO 導入では、1 つの完全な生産ラインをサポートするために数千人民元のコストがかかるエッジ コンピューティング ボックスのみが必要です。
コストの差は 2 桁にも及びます。
落とし穴 3: 不安定で確率的な出力 — 同じ画像に対して一貫性のない結果
これは私たちの最もイライラする障害であることが判明しました。
工業用検査では絶対的な決定性が求められます。同一の画像から毎回同一の検査結果が得られる必要があります。そうでないと、標準化された品質管理とトレーサビリティが不可能になります。
ただし、マルチモーダルな大規模モデルは確率的な出力を生成します。
私たちは制御されたテストを実行しました。つまり、同じ欠陥のある画像を同じプロンプトとともに GPT-4V に 10 回別々に送信しました。結果は大きく異なりました。
7 回の実行で製品に欠陥があると認定されました
2回の実行で欠陥の疑いがあり、手動レビューが必要とマークされました
1 回の実行では明らかな欠陥は存在しなかったと主張
すべてまったく同じ入力とプロンプトから行われます。
このようなランダム性は工場の品質管理にとって致命的です。検査官は「欠陥の可能性が 70%」という結果に基づいて行動することはできません。すべてのワークピースに最終的な OK または NG の判定が必要です。
一貫性を保つために温度を 0 に設定することを提案する人もいます。この方法を試しましたが、安定性は向上しましたが、100% 同一の出力を保証することはできませんでした。大規模なモデルはサンプリング メカニズムを介して結果を生成し、温度 = 0 の場合でもエッジ ケースでは小さな偏差が残ります。
落とし穴 4: 脆弱な即時エンジニアリング — 微妙な表現の変更が判断を変える
マルチモーダル モデルのパフォーマンスは、精度と安定性を高めるために多大な労力を費やして最適化した迅速な設計に完全に依存します。
私たちはすぐに、プロンプトが文言の変更に非常に敏感であることを発見しました。
ほぼ同一のコアリクエストを持つ 3 つのプロンプトでは、大きく異なる検査結果が得られました。
プロンプト A: 「この画像に表面欠陥が存在するかどうかを確認してください。」
指示 B: 「製品の表面を注意深く検査し、傷、穴、異物、その他の欠陥を特定します。」
プロンプト C: 「プロの品質検査員として行動してください。この画像にある製品の外観上の欠陥を見つけて分類してください。」
さらに悪いことに、製品 A 用に微調整されたプロンプトは、製品 B に適用すると有効性が失われ、新しい製品バリエーションごとにプロンプト ロジックを完全に作り直す必要があります。
これは、新製品の YOLO モデルを再トレーニングすることとどう違うのでしょうか?
YOLO トレーニングは、モデルが基準を満たしていることを明確に示す定量化可能な評価指標に依存しています。プロンプト チューニングは完全に主観的な試行錯誤に依存しており、最適なパフォーマンスを実現するための明確なベンチマークはありません。
落とし穴 5: 幻覚 — 存在しない欠陥を自信を持って捏造する
幻覚は、大規模な言語およびマルチモーダル モデルの欠陥であり、十分に文書化されています。システムは、存在しない詳細を自信を持ってでっち上げます。
工業検査では、これは 3 つの典型的な欠陥として現れます。
欠陥のない製品に欠陥があるとしてフラグを立てる
欠陥位置の記述の誤り (例: 傷が右側にあるのに、左側にあると判断する)
欠陥タイプの誤分類 (例: ピットを傷として分類する)
1 つのテスト ケースはその深刻さを例示しています。完全に完璧な製品画像から、非常に詳細な加工分析が行われました。「右下隅に長さ約 3 mm の浅い傷が検出され、機能的影響の評価が推奨されています。」
綿密な目視検査の結果、その領域には痕跡や傷はまったく存在しませんでした。
このような幻覚が大量生産ラインに侵入すると、欠陥品が検出されずにすり抜けたり（検査漏れ）、または適格な製品が誤って拒否されたり（誤った拒否）、という深刻な結果が生じます。
落とし穴 6: プライベート オンプレミス展開における高いリソース障壁
クラウド API は待ち時間が長く、コストが高すぎるため、セルフホスト型の展開が代替手段のように思えます。私たちは、主流のオープンソース マルチモーダル モデルのハードウェア要件とソフトウェア要件を評価しました。
YOLOはどうですか？
YOLOv8-m は、8GB VRAM を搭載した GTX 1080 上でもスムーズに動作します。
わずか数十ワットの消費電力で、NVIDIA Jetson モジュールなどのエッジ コンピューティング ハードウェアに導入することもできます。
計算リソースのしきい値は一桁異なります。
ほとんどの工場にとって、生産フロアに A100 サーバーを設置することは、設備投資と日常の運用とメンテナンスの両方の観点から非現実的です。
V. 最初の原則に戻る: 工業用外観検査には正確に何が必要ですか?
上記のすべての落とし穴をくぐり抜けた後、私たちは一歩下がって、根本的な問題について考えてみました。
工業用外観検査では本質的にどのようなコア機能が求められますか?
確定的な出力同一の画像からは 100% 一貫した結果が得られる必要があります。これは、標準化された品質管理と完全なトレーサビリティの基礎を形成します。確率的な出力は受け入れられません。
超低遅延ミリ秒レベルの応答。生産ラインのタクトタイムは厳しく、検査がボトルネックになることはありません。
10 ミリ秒の推論時間と 1,000 ミリ秒の推論時間は、まったく異なる運用上の現実を表します。
高スループット1秒あたり何フレーム処理できますか?一日に何個のワークを検査できますか?
計算コストは制御可能な状態を維持し、単一の生産ラインで年間数十万米ドルに及ぶ支出を回避する必要があります。
エッジ展開の互換性工場のネットワーク環境は複雑です。多くのワークショップには、安定したインターネット接続やアクセス可能なインターネット接続がありません。
モデルはクラウド API に依存するのではなく、エッジ デバイス上でローカルに動作する必要があります。
解釈可能な検査結果欠陥が検出された場合、システムは検査官にその正確な位置とカテゴリを明確に通知する必要があります。
理想的には、下流のシステム統合のために欠陥座標、面積、信頼度スコアを出力する必要があります。
管理可能なメンテナンスコスト製品はアップグレードされ、検査基準は定期的に改訂されます。
毎回完全に再構築しなくても、反復ごとの適応コストは管理可能でなければなりません。
これら 6 つのコア要件を 2 つの技術的ルートと照合すると、明らかな対照が明らかになります。
YOLO シリーズは 6 つの基準をすべて完全に満たしています
決定論: 同一の入力が与えられた場合、100% 一貫した出力
低遅延: 10 ～ 30 ミリ秒の推論
高スループット: 単一 GPU あたり数十から 100 以上の QPS
エッジ展開可能: Jetson ハードウェアおよび産業用 PC と完全な互換性
解釈可能な出力: 境界ボックス、欠陥カテゴリ、および信頼値
低いメンテナンスオーバーヘッド: 増分トレーニングと転移学習のための成熟したツールチェーン
マルチモーダル大規模モデルはほぼすべての要件を満たさない
決定論: 本質的に確率的な出力
レイテンシー制約: 第 2 スケールの推論
スループット制限: 単一 GPU は 1 桁の QPS のみをサポートします
エッジ展開の障壁: A100 クラスのハイエンド GPU が必要
解釈可能性のギャップ: 生の自然言語記述には二次解析が必要
予測できないメンテナンス: 迅速なエンジニアリングには定量化可能な最適化基準が欠けています。
では、マルチモーダルな大規模モデルは YOLO に取って代わることができるのでしょうか?結論は明白です:
技術的成熟の現段階では、マルチモーダル大型モデルは工業用外観検査の主要なソリューションとしては適していません。
ゼロショット推論、深い意味理解、強力な一般化などの強みは、生産ラインではほとんど実用的な価値をもたらしません。その一方で、その重大な欠陥、つまり高い遅延、法外なコスト、不安定な出力は、産業の品質管理にとって致命的です。
VI.置き換えではなく補完
これは、マルチモーダルな大型モデルが工業用の外観検査にはまったく役に立たないという意味ではありません。
鍵となるのは、適切なニッチを特定することです。
2 年間にわたるフィールド トライアルを経て、マルチモーダル大規模モデルが具体的な価値を生み出す 4 つのシナリオをまとめました。
シナリオ 1: 補助的な自動データ注釈
アノテーションは、従来の検査プロジェクトの最大のコスト要因となっています。
産業用ビジョンのタスクには通常、数千から数万の注釈付き画像が必要です。アノテーション サービスのアウトソーシングの費用は 1 フレームあたり数十分の 1 から数米ドルで、ラベリング費用はプロジェクト投資総額の 30% ～ 50% を占めます。
マルチモーダル大規模モデルは、事前ラベル付け機能を提供します。
モデルは、最初に生の画像から予備的なアノテーション マスクとボックスを生成します。人間のスタッフは、最初からラベルを付けるのではなく、結果を確認して修正するだけで済みます。
当社のフィールドテストでは、このワークフローにより注釈の効率が 3 ～ 5 倍向上し、画像あたりの平均ラベル付け時間が 30 秒から 10 秒未満に短縮されることが証明されています。
シナリオ 2: ロングテール欠陥のフォールバック カバレッジ
YOLO モデルのパフォーマンスの上限は単純です。YOLO モデルは、トレーニング データセットに含まれる欠陥タイプのみを認識できます。
前例のないまれな欠陥は、YOLO による検出ミスを引き起こす可能性があります。
このようなロングテール異常はめったに発生しませんが、多くの場合、深刻な異常な製造条件を示しており、より高い運用リスクを伴います。
マルチモーダルな大規模モデルは、フォールバック検証レイヤーとして機能します。
YOLO が境界線の信頼スコア (およそ 0.3 ～ 0.7、不確実性のグレーゾーン) を出力すると、対応する画像が二次判定のためにマルチモーダル モデルに送信されます。
大規模モデルのゼロショット汎化の強さは、これらの目に見えないまれな異常をカバーします。
このメカニズムでは、すべての画像の 5% ～ 10% のみがマルチモーダル モデルに転送されるため、総コストを管理可能に保ちながら、ロングテール欠陥のカバー率が大幅に向上します。
シナリオ 3: 生の検査データのセマンティック変換
YOLO は、境界ボックス、欠陥カテゴリ、信頼スコアなどの構造化データのみを出力します。
これらの生の指標は、バックエンドの産業システムには十分ですが、欠陥はどの程度深刻か?という実際的な質問に対する答えを必要とする人間の検査員にとっては直感的ではありません。何が原因でしょうか？どのような是正措置を講じるべきでしょうか?
マルチモーダルな大規模モデルは、セマンティック レポートの生成を実行します。
入力: 欠陥座標、分類ラベル、製品モデル、製造プロセスパラメータ
出力: 自然言語検査レポート、例: 「製品の左端に 5 mm の傷が検出されました。これは金型の磨耗が原因である可能性があります。金型のメンテナンスをお勧めします。」
このタスクは遅延の影響を受けず (レポートは非同期で生成可能)、コスト効率が高くなります (ボリュームが制限された NG 不適合製品に対してのみ実行されます)。
シナリオ 4: サンプル数が少ない緊急プロジェクトの迅速なコールド スタート
クライアントは時として厳しい納期に直面することがあります。つまり、翌週に量産予定の新製品には欠陥のあるサンプル画像が数十枚しかなく、完全な YOLO トレーニングには不十分です。
従来のワークフローでは、このような限られたデータの下では検査を開始できません。
マルチモーダルな大規模モデルは、過渡的な一時的なソリューションとして機能します。
ゼロショット機能により、完全な手動検査をはるかに上回る、許容範囲内ではあるが不完全な精度で即時導入が可能になります。十分なサンプルが蓄積されたら、パイロット操作中にデータを継続的に収集して、長期使用に備えた正式な YOLO モデルをトレーニングできます。
VII.ハイブリッド アーキテクチャ: 実際の導入パラダイム
上記の分析に基づいて、私たちは最近の産業プロジェクトにハイブリッド デュアルチャネル アーキテクチャを採用しました。
主要な検査チャネル: YOLO
すべての検査ワークロードの 95% 以上を処理します
10 ～ 20 ミリ秒の推論遅延でエッジ ハードウェアにローカルに展開
構造化された境界ボックス、欠陥タイプ、信頼スコアを出力します。
補助チャネル: マルチモーダル大規模モデル
グレーゾーン内の信頼性の低い境界線の画像のみを処理します
メインラインのスループットを中断することなく非同期で呼び出されます
ロングテール欠陥フォールバック検証、セマンティックレポート生成、および補助ラベル付けの機能
このハイブリッド フレームワークの中心となる設計原則は次のとおりです。
YOLO はコアプライマリシステムとして機能します。マルチモーダル モデルは補助ツールとして機能します - 役割の逆転を避けます
シリアル処理の代わりにデータをシャント: マルチモーダル モデルはクリティカルな運用パスから外れ、メインラインのレイテンシーやスループットに影響を与えません。
信頼性に基づくトラフィック分割: 信頼性の高い結果は直接通過しますが、あいまいなサンプルは二次的なマルチモーダル検証のために転送されます。
予測可能なコスト管理: マルチモーダル モデルのコンピューティング リソースを消費するのは画像のほんの一部だけです
Ⅷ.技術的選択の決定フレームワーク
以下は、産業用外観検査アルゴリズムを選択するチームの要約された意思決定ツリーです。
レイテンシー要件
必要な推論
お問い合わせ
広範囲にわたるストック不足に直面しています. そして真実は単なる"ストック"よりもはるかに複雑です.
2026-06-18
.gtr-container-f8g7h2 {
font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif;
color: #333;
line-height: 1.6;
padding: 16px;
max-width: 100%;
box-sizing: border-box;
overflow-wrap: break-word;
word-wrap: break-word;
}
.gtr-container-f8g7h2 p {
font-size: 14px;
margin-bottom: 1em;
text-align: left !important;
}
.gtr-container-f8g7h2 strong {
font-weight: bold;
}
.gtr-container-f8g7h2 .gtr-main-title {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-bottom: 1.5em;
text-align: left !important;
}
.gtr-container-f8g7h2 .gtr-section-title {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-top: 2em;
margin-bottom: 1em;
text-align: left !important;
}
.gtr-container-f8g7h2 .gtr-subsection-title {
font-size: 16px;
font-weight: bold;
color: #0000FF;
margin-top: 1.5em;
margin-bottom: 0.8em;
text-align: left !important;
}
.gtr-container-f8g7h2 ul,
.gtr-container-f8g7h2 ol {
margin: 1em 0;
padding-left: 20px;
}
.gtr-container-f8g7h2 li {
list-style: none !important;
position: relative;
margin-bottom: 0.5em;
padding-left: 1.5em;
text-align: left !important;
}
.gtr-container-f8g7h2 ul li::before {
content: "•" !important;
color: #0000FF;
font-size: 1.2em;
position: absolute !important;
left: 0 !important;
top: 0;
}
.gtr-container-f8g7h2 ol {
counter-reset: list-item;
}
.gtr-container-f8g7h2 ol li::before {
content: counter(list-item) "." !important;
color: #0000FF;
font-weight: bold;
position: absolute !important;
left: 0 !important;
top: 0;
width: 1.2em;
text-align: right;
margin-right: 0.5em;
}
.gtr-container-f8g7h2 div[style*="display: block; flex: 0 1 auto; flex-direction: row; justify-content: normal; align-items: normal;"] {
margin-bottom: 1em;
}
@media (min-width: 768px) {
.gtr-container-f8g7h2 {
padding: 24px;
}
.gtr-container-f8g7h2 .gtr-main-title {
font-size: 20px;
}
.gtr-container-f8g7h2 .gtr-section-title {
font-size: 20px;
}
.gtr-container-f8g7h2 .gtr-subsection-title {
font-size: 18px;
}
}
完全英語訳 (業界詳細記事)
全鎖戦略の再構築の中で産業の苦痛と変革
マシンビジョンや機器の統合に関わる専門医にとって 昨年以来 共通の頭痛が続いています ハイクロボット産業用カメラの 入手が難しくなりました
業界で最も広く使用されている測定モデルから 2/3インチ5MP,1インチ20MPCマウントのバージョンまで配送チャネル全体における即時在庫は,慢性的に狭いままである.これは業界全体で 広範囲にわたる憶測を引き起こしました "Hikrobotは 価格上昇を促すために 意図的に生産を制限しているのか?"競争相手を追い出すために?
英語訳 (業界分析の形式)
しかし stepping back from the immediate spot supply shortage and analyzing from the perspective of corporate strategy and industry cycles reveals that the current stock shortage is by no means a simple market manipulation代わりに,それは,製品ライン,生産能力,配送チャネル,ビジネス優先順位をカバーするHikrobotのトップダウンの包括的な戦略的調整の結果です.上流サプライチェーンにおける制約と下流需要の急上昇は,供給不足の深刻さを悪化させただけです.
要するに 戦略的配置の調整が根本的な原因であり, 市場の整合が後遺的結果であり, 供給と需要の不一致は短期的に悪化する要因である.
一供給不足は産業連鎖全体に根付いている 戦略的再編
多くの人 は 供給 不足 を "価格 を 上げ るために 生産 を 制限 する"こと と 同じ と 考える が,原因 と 結果 を 混同 し て い ます.Hikrobotの戦略的な動きは,製品更新と生産能力移転の移行期間に,すべてのビジネスラインの包括的なアップグレードと再編を完了することです.供給不足は この移行から生じる 一時的な成長の痛みに過ぎません
1製品ラインの再現: CU プラットフォームへの完全な移行,レガシー CS/CH シリーズの段階的な終了
2025年下半期から,Hikrobotは複数の製品変更通知 (PCN) を発行し,大量に生産されている従来のCSとCH産業用カメラシリーズを徐々に廃止する.費用対効果の高い新世代のCUモデルと高級AI-CHカメラに完全に移行.
供給チェーン展望:従来のCMOSとFPGAチップの追加注文は行われない.既存の原材料が枯渇すると正式な生産停止が有効になる.販売停止されたモデルに対する 補給配分を受けなくなる.
市場見通し:広く採用されている2/3インチ5メガピクセルCマウントのグローバルシャッターカメラ 国内用テレセントリックレンズと互換性のある主要なモデル大規模な供給中断を招く.
基礎戦略目標: 製造ラインを合理化し,材料管理コストを削減するためにハードウェアR&Dプラットフォームを標準化する.新しいプラットフォームは,ISPと軽量AIのプリプロセッシング機能を組み込み,リチウム電池からの高級検査要求を正確に満たしています.3C電子機器やその他の製造業部門.
二生産能力の再構築: トングルの新基地の拡大は,古い生産ラインと新しい生産ラインの間の移行中に供給格差を生み出します.
旧生産能力の減少とまだ成熟していない新生産ラインの不一致は,供給側で最も直接的な製品不足の原因です.
ヒクロボットのトングルインテリジェント製造基地 総投資1,534億ドル年間500万台の機械ビジョン製品生産を目的として設計され,2026年初頭に全面生産を開始した古い工場は徐々に生産を削減し,設備の移動を開始しました.古い生産ラインと新しい生産ラインの重なる運用期間中,生産能力は2つの工場に分けられた巨大な注文量を以前のように満たすことは不可能になります
過去2年間でリチウム電池,太陽光発電,半導体産業における 検査機器の需要が爆発的に集中した製造者は,プロジェクト優先順位によってのみ利用可能なストックを割り当てることができる.最重要顧客は優先供給を受け,小型・中規模の設備統合業者や分散した小売注文がカメラを確保するために苦労しています.
三ビジネスフォーカスの転換: 3Dビジョンとフルスタックソリューションへのリソース再配分
近年,Hikrobotの戦略的優先事項は 単独のハードウェア販売を超えて 統合されたシステム,AGV と モバイル ロボット は 将来 の 成長 の 基本 的 な 動力 です.
供給チェーンレベルでは,CMOSセンサーとストレージチップの調達配当は,3Dカメラを含む高利益率,高付加価値の製品に優先されます.スマートコードリーダーとビジョンコントローラ伝統的な2Dエリアスキャンのチップ配分は意図的に削減されています.
プレッシャーを増すため グローバル・ウェーファー工場は 容量のほとんどを AIコンピューティングチップと HBMメモリに産業用グローバルシャッターCMOSとFPGAの生産能力の30%以上の削減2Dカメラの供給のギャップを劇的に拡大させた.
4配送システムの改造: 散布のスポット配分を削減し,トップ顧客との直接契約を通じて長期オーダーを確保する
厳格な流通政策は,エンドユーザーに広範囲にわたる供給不足の最も目に見える原因です.
2025年末からHikrobotは 厳しいチャネルルールを導入し 中小企業向けに 現金庫存の配当を削減しましたリチウム電池と太陽光発電の分野における主要な機器メーカーと年次枠組み協定を締結することを優先長期契約で大量に即日株を事前に封鎖する.
大手製造業者は安定した注文処理と保証された供給を享受し,小規模・中規模の統合業者と小量販売の緊急小売注文は 非常な不足に直面しています配送チャネル全体で不足の認識を拡大する.
II. 目的達成: 意図的な目標ではなく 産業統合の加速
現在の供給不足は ハイクロボットが 意図的に生産を削減したり 競争相手を抑制したり 市場を独占したりするために 設計されたものではないことを 明確にすることが重要です産業再編と市場再編は 戦略的改革による副産物に過ぎません.
国内ブランドを代替する機会国内で代替ソリューションを導入し,Huaray,Daheng,ECOVIS と マインドビジョン市場シェアが急増している.
低利益率の生産能力の段階的な廃止ハイクロボットが自発的に低利潤のレガシーカメラモデルを 廃止するのは 低価格のストックを 市場から消耗させている全体的な平均的な製品価格を上げ,独自のソリューション能力のない価格競争にのみ依存する小型ビジョンメーカーを排除する.
業界リーダーにとって競争優位性の拡大ハードウェアの不足は ハイクロボットにとって 統合ソリューションの注文の配達に ほとんど影響を与えない独立カメラのみを提供する小型メーカーとのギャップを拡大する.
要するに 統合は 目的ではなく 結果であり 意図的な市場抑制ではなく 企業改良によって生じる 自然な産業改革です
供給不足を悪化させる3つの重複する要因
ストック不足の根本的な原因は戦略的再編化であり,上流の制約の三重収束は,下流の需要の急上昇と製品移行サイクルが 供給のギャップを全業界で感じられるレベルに押し上げました.
上流サプライチェーンからの厳しい制約世界的な半導体鋳造工場は高級コンピューティングチップの生産能力を優先し,産業用CMOSとFPGAは最も影響を受けています.関連部品の生産能力は30%以上減少しました.原初の4週間から12週間以上に延長された生産ラインを全力で走らせても 製造業者はコアコンポーネントの 深刻な不足に直面しています
一方,銅やPCBなどの原材料の価格上昇は,現金流と在庫リスクの懸念により,製造業者が過剰な貯蔵を阻止し,供給の柔軟性をさらに制限しています..
下流需要の集中的な急増2026年は,新しいエネルギーと半導体検査機器の大量生産のピーク年です.光伏のシリコン・ウェーバーの分類と半導体の外観検査は,高精度測定カメラの需要を年比で65%以上増加させた既存の生産能力の放出速度をはるかに上回る.
古い製品ラインと新しい製品ラインの間の移行中に供給中断旧モデルの完全停止は,新しいCUシリーズにおける大量生産の低出産率と一致し,天然の3~6ヶ月供給の真空を生み出しました.CUプラットフォームの限られた初期生産能力は,まず主要な主要顧客に割り当てられますオープンな流通チャネルを通じて入手できるスポット在庫をさらに絞る.
IV. 産業全体における供給の緊迫性の3つの深い長期的影響
広範囲にわたる供給不足は 産業連鎖の全ての参加者に 波紋的な影響を及ぼし 長期的な構造的変化とともに 短期的な成長困難をもたらします
1短期間中断,長期にわたる回復力のあるサプライチェーン
短期的な影響: Cマウント測定カメラの供給量が枯渇したため,プロジェクトの納期が遅れている.多くの統合業者は一時的に代替ブランドに切り替わることを余儀なくされている.プロトタイプ試験とプログラム調整の追加費用.
長期的利益: 企業はマルチブランドの代替製品ライブラリを構築し,単一のサプライヤーへの依存を軽減し,サプライチェーン全体のリスク耐性を高めます
2競争環境: 層化された国内市場,産業を支援する利益
ハイクロボットがハイエンドの統合ソリューションセグメントを支配し,ハウアレイは,市場シェアを保持するために 安定したストックで代替需要を吸収します.ダヘンやマインドビジョンのようなブランドは,以前は小さなインテグレーターが占めていた市場空間を急速に占めています.
輸入品牌は短期的に需要の回復が緩やかで,バスラーやコグネックスなどの企業が部分的な高級品の代替注文を確保しました.しかし8週間を超えるリードタイムは,高精度検査のシナリオにのみ適用されます..
3ハイクロボット自身にとって 短期的な小売顧客損失 長期的な企業価値の向上
短期的なデメリット: 小批量小売注文の大量が競合他社に流失し,一部のプロジェクトは競合するメーカーに盗まれます.配送業者は 備蓄の圧力と 不満の増大に直面しています.
長期的向上: 低利益率の製品ラインは段階的に廃止され,製品ポートフォリオは高価値の3DビジョンとAI検査ソリューションへと移行します.トングルの製造基地が 生産能力を満開すると主要な顧客との直接的長期契約も,今後数年間,収益の流れをロックします.
五短所 が いつ 緩和 さ れる でしょ う か
生産能力や製品サイクルに基づいて予測し,主流のアプリケーションシナリオに実装可能なソリューションを提供します.
1供給回復の予測時間表
現在の進展を踏まえれば,トングルインテリジェント製造基地は2026年末までに全容量に達すると予想される.CUシリーズの安定した大量生産生産率と,新しく投入された CMOS ウェーファー生産能力標準2Dエリアスキャンの供給は2027年第1四半期に正常に戻ると予測されています.
古いCSとCHシリーズは,生産を再開する計画もなく,永久に中止されていることに注意することが重要です.将来のシステム設計は,新しいプラットフォームまたは代替ブランドを完全に採用する必要があります.
2. 簡単に適用可能なカメラ選択戦略
業界で最も広く使用されているカメラアプリケーションについては,2つのカテゴリーに推奨事項が提供されています.
緊急 代替 ソリューション
HuarayやDahengなどのブランドは,生産を中止したHikrobotのレガシーモデルと同等のパラメータを完全にマッチする製品を提供し,豊富なスポット在庫によってサポートされています.迅速な移行を可能にするために最小限のソフトウェア変更が必要です..
長期 プロジェクト ソリューション
新しいプロジェクトを計画している企業は,Hikrobotの新しいCUシリーズカメラの備蓄を予約することができます.
締めくくり
中国の機械ビジョン産業の発展を振り返ると,生産能力と製品ラインナップのあらゆる繰り返しは,供給と需要の周期的な変動に伴います.
ハイクロボットカメラの供給不足は 市場リーダーが 純粋なハードウェアメーカーから フルスタックソリューションプロバイダーに 移行する必然的な移行です時代遅れの生産能力の段階的な廃止新しいハードウェアプラットフォームへの移行や 流通チャネルの再構築や ビジネス優先順位は 移行期に 成長の苦痛が伴います上流半導体サプライチェーンにおける周期的変動と新しいエネルギー部門からの爆発的な需要は,この変革の業界全体への影響を拡大しました.
意図的な価格操作に関する議論に留まるのではなく,複数のブランドのカメラライブラリと 多様なサプライチェーンのバックアップを設置して 産業の変化の中で 安定した運用を維持することがより賢明です.
お問い合わせ
コアプロセスに重点を置き、太陽光発電とエネルギー貯蔵のインテリジェントな製造アップグレードをワンストップで強化します。ビジ
2026-06-04
.gtr-container-x7y2z9 {
font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif;
font-size: 14px;
line-height: 1.6;
color: #333;
padding: 15px;
overflow-x: auto;
max-width: 100%;
box-sizing: border-box;
}
.gtr-container-x7y2z9 p {
margin-top: 1em;
margin-bottom: 1em;
text-align: left !important;
}
.gtr-container-x7y2z9 img {
/* As per strict instruction: No layout or size styles (e.g., width, max-width, display, float)
are added to img or its parent container. Images will render at their original width. */
vertical-align: middle; /* Prevents small gap below inline images */
}
.gtr-container-x7y2z9 .gtr-heading-main {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-top: 1.5em;
margin-bottom: 1em;
text-align: left;
}
.gtr-container-x7y2z9 .gtr-heading-major {
font-size: 16px;
font-weight: bold;
color: #0000FF;
margin-top: 2em;
margin-bottom: 1em;
text-align: left;
}
.gtr-container-x7y2z9 .gtr-heading-section {
font-size: 16px;
font-weight: bold;
margin-top: 1.5em;
margin-bottom: 0.8em;
text-align: left;
}
@media (min-width: 768px) {
.gtr-container-x7y2z9 {
padding: 20px 30px;
}
.gtr-container-x7y2z9 .gtr-heading-main {
font-size: 20px;
}
.gtr-container-x7y2z9 .gtr-heading-major {
font-size: 18px;
}
}
SNEC2026
6月3日から5日まで開催されるSNEC 2026上海国際太陽光発電展示会が国家会展中心（上海）で盛大に開幕する。 Hikrobot は、太陽光発電の生産プロセスチェーン全体をカバーするインテリジェントなソリューションで注目を集めています。
Hikrobot は、シリコン ウェーハのスライシング、太陽電池の製造、モジュールのカプセル化から高精度の検査に至るまで、完全に自社開発したコア技術で製品の品質を支え、多くの現場の業界訪問者とともに PV とストレージの統合とスマート製造のアップグレードのための新しい道を模索しています。
スライスプロセスのミクロンレベルのセンシングにより、シリコンウェーハの厳密な品質管理が可能になります。
01 ウェーハ厚さ検査
このソリューションでは、6 つの 3D プロファイル センサーを採用してウェーハの厚さを測定します。このシステムは、対向ペアのレイアウトに配置され、3 つのグループの測定データを同時に取得し、シリコン ウェーハ選別ステーションに適用できます。周囲光干渉、鏡面反射干渉、振動抑制に対するアルゴリズムを内蔵しており、測定精度と動作安定性が大幅に向上しています。
3D ビジョンがモジュール生産を強化し、高効率で柔軟な製造を実現
01 PV ジャンクションボックスの 3D ビジュアライゼーション
このソリューションは、3D カメラ内の検流計の高速振動によって駆動され、ターゲット表面全体にレーザー ラインを迅速に走査し、1 回のスキャンでジャンクション ボックスの完全な 3D トポグラフィーをキャプチャします。ジャンクションボックス上に乱雑に積み重ねられた黒いワイヤーハーネスであっても、カメラは洗練された完全な 3D 点群を生成して、迅速かつ正確な識別を実現し、PV モジュールの組み立て手順における高効率で柔軟な生産を促進します。
AI が太陽電池の生産を強化し、検査パフォーマンスを最大化
01 微小亀裂検査
このソリューションは、大型短波長赤外線レンズおよび透過型近赤外線レーザー光源と組み合わせた 4K モノクロ ライン スキャン カメラを採用し、結晶の剥離、エッジの欠け、破片の破損、微小亀裂、セルの重なり、寸法 0.5 mm 以上の表面汚染などの欠陥を検出および分類します。
さらに、SVA インテリジェント収集カードの先駆的な採用により、産業用 PC のハードウェア リソース占有が大幅に削減され、一貫した検査スループットを確保しながら機器コストが削減されます。
02 最終表面検査と分類 (AOI)
このソリューションは、完成した太陽電池の表と裏の両面でカラーグレーディング選別を実行し、表面の損傷、汚れスポット、スクリーン印刷の不良、グリッド線の寸法の異常などの欠陥検査を行います。 50μm程度の微細な欠陥を鮮明に観察できます。
PERC、TOPCon MBB、SMBB、0BB、シングルセル、BC セル技術を含む複数のセル印刷フォーマットに対応し、お客様の多様な検査要件を満たします。
高効率な検査技術を完全自社開発し、多面的な品質保証体制を構築しています。
Hikrobot は、上記の生産プロセス以外にも、細胞表面の破片検査、CIS マクロ焦点ライン スキャン カメラ、SC5000X ラベル欠陥検査、スマート センサーの動的テストなど、高性能検査ソリューションのフル ラインアップを紹介します。
このシステムは、6 台のカメラの対向測距、4K ラインスキャン近赤外線イメージング、高精度 3D ビジョン、2.5D ドーム照明イメージングなどのコア技術を活用して、シリコンウェーハの傷や厚さの偏差、太陽電池の微小亀裂やエッジの欠け、モジュールのパッケージング欠陥、バッテリーセル表面の破片や傷など、さまざまな欠陥を正確に識別します。その最大検査精度はミクロンレベルに達し、太陽光発電およびエネルギー貯蔵製品のライフサイクル全体を通じて堅牢な品質障壁を形成します。
オンサイトのデモンストレーションでは、SC6500 ウェーハの識別、印刷後の PL 検査、コーティング後の外観検査、モジュール ラベルのラミネートとコード読み取り、産業用洗浄など、太陽光発電産業チェーン全体にわたるソリューションも取り上げ、太陽光発電部門全体の生産能力と製品品質の二重のアップグレードを推進します。
お問い合わせ
注目の栄誉 | Turck TIV AI スマート カメラが Readers' Choice 年間製品賞を受賞
2026-05-28
.gtr-container-a1b2c3d4 {
font-family: Verdana, Helvetica, "Times New Roman", Arial, sans-serif;
color: #333;
line-height: 1.6;
padding: 16px;
box-sizing: border-box;
overflow-x: hidden;
}
.gtr-container-a1b2c3d4__title {
font-size: 18px;
font-weight: bold;
color: #0000FF;
margin-bottom: 16px;
text-align: left;
}
.gtr-container-a1b2c3d4__section-title {
font-size: 18px;
font-weight: bold;
color: #333;
margin-top: 24px;
margin-bottom: 16px;
text-align: left;
}
.gtr-container-a1b2c3d4__subsection-title {
font-size: 16px;
font-weight: bold;
color: #333;
margin-top: 20px;
margin-bottom: 12px;
text-align: left;
}
.gtr-container-a1b2c3d4__paragraph {
font-size: 14px;
margin-bottom: 16px;
text-align: left !important;
}
.gtr-container-a1b2c3d4__emphasis {
font-style: italic;
font-weight: bold;
}
.gtr-container-a1b2c3d4__list {
list-style: none !important;
padding-left: 20px;
margin-bottom: 16px;
position: relative;
}
.gtr-container-a1b2c3d4__list-item {
font-size: 14px;
margin-bottom: 8px;
position: relative;
padding-left: 16px;
text-align: left;
}
.gtr-container-a1b2c3d4__list-item::before {
content: "•" !important;
color: #0000FF;
position: absolute !important;
left: 0 !important;
font-size: 18px;
line-height: 1;
top: 0;
}
.gtr-container-a1b2c3d4__image {
height: auto;
display: block;
margin: 16px auto;
}
@media (min-width: 768px) {
.gtr-container-a1b2c3d4 {
padding: 32px;
max-width: 960px;
margin: 0 auto;
}
.gtr-container-a1b2c3d4__title {
font-size: 24px;
margin-bottom: 24px;
}
.gtr-container-a1b2c3d4__section-title {
font-size: 22px;
margin-top: 32px;
margin-bottom: 20px;
}
.gtr-container-a1b2c3d4__subsection-title {
font-size: 18px;
margin-top: 24px;
margin-bottom: 16px;
}
.gtr-container-a1b2c3d4__paragraph {
margin-bottom: 20px;
}
.gtr-container-a1b2c3d4__list {
padding-left: 24px;
}
.gtr-container-a1b2c3d4__list-item {
padding-left: 20px;
}
}
TIVAIカメラは視覚処理部門で最高賞を獲得
読者の選択の結果コンピュータと自動化ターク TIV インテリジェントビジョン AI カメラは 2026年度製品賞のビジョン部門で受賞しました
雑誌は毎年約600の新しい工業製品を選出し,編集チームは最終選考のために12つの主要カテゴリーから96の高品質の製品を選出します.投票ページは19以上記録されていますこのイベントは,業界が広く注目を集めていることを反映しています. 最終的には,タークは強力な技術力で際立ったので,最高賞を獲得しました.
英語訳
TIV AIカメラは 強力な真のエッジインテリジェンスで 注目されていますこの自動学習 AI ビジョンカメラは 外部補助装置なしで 産業生産ラインに人工知能技術を直接展開します簡単に訓練するために 素早く効率的な操作を開始するために ほんの少しのサンプル画像が必要です
12メガピクセルのグローバルシャッターセンサーとNVIDIA GPUを搭載し 差異検出,分類器,オブジェクト検出器,バーコードスキャンなど様々な高水準の産業シナリオのリアルタイム検査要求を完全に満たす堅牢な構造と強力な互換性により,M12インターフェースとTurck Automation Suite (TAS) による簡単な統合をサポートします.
この賞は,産業用AI分野におけるターク社の革新的なリーダー地位をさらに強化する.また,インテリジェント・オートメーションと持続可能なオートメーションソリューションを開発するという 会社の元の願いを反映しています公式の指定プラットフォームで 優勝者リストと この読者選抜活動に関する関連ニュースを確認できます
技術 的 利点
プログラムなしで迅速な稼働
IP67 保護グレード,独立操作,追加的なハードウェアは必要ありません
拡張可能なネットワークを通じて拡張可能なリアルタイム検出結果
新しいTIV AIカメラで Turckは産業用画像処理に 画期的な変革をもたらします 複雑なプログラミングは必要ありませんユーザは数枚のサンプル画像でスマートカメラを訓練するだけです.
ターク・インテリジェント・ビジョン・カメラとして,TIVはパターンや偏差を独立して学習し,合格部品と欠陥部品,また異なる製品カテゴリを信頼的に区別することができます.ニューラルネットワークの訓練と推論は カメラ上で直接実行されます,高性能12MPグローバルシャッターセンサー (4代目のソニープレギウスS) とNVIDIAジェットソンナノGPUがサポートされ,4GBメモリで,デバイス内リアルタイム画像処理が可能.
柔軟で効率的で使いやすい
TIV12MG-Q110Nには 4つの人工知能アプリケーションがプリインストールされています 偏差検査,分類,オブジェクト検出,コード読み取り完全性検査と製品分類からターゲット位置付けと1D/2Dバーコード認識までの主要な産業ビジョンタスク.
指定された検査区域を独立して分析し評価し,直接PLCまたはITシステムに座標,信頼度スコア,通過/失敗信号を出力することができます.柔軟なレンズマッチングのための標準Cマウントインターフェース制御システム,照明ユニット,電池,電池,電池,電池,電池,電池,電池,電池,電池などセンサーと電源は,生産ラインの現場での直接配備に理想的です.
TAS とのシームレスな統合
ウェブブラウザを通じて直感的な操作が可能.Turck Automation Suite (TAS) に完全に統合され,デバイス管理を簡素化し,デジタルメンテナンスとモニタリングワークフローを容易にする.
電源,ネットワーク,トリガー信号,I/OインターフェースのM12コネクタを装備し,カメラは既存の産業システムに簡単に組み込める.転送可能なデータセットとニューラルネットワークは,追加のエッジコンピューティングハードウェアや追加のライセンス料なしで拡張可能な展開をサポートします..
お問い合わせ
