ナレッジセンター
目次

AI外観検査と従来のAOIの比較

AI外観検査と従来のAOIの最も本質的な違いは、前者が後者の固定ルールによる画像比較の論理を深層学習モデルに置き換え、テンプレートとの差分を探す段階から、欠陥がどのようなものかを理解する段階へ引き上げる点にある。近年、製造品質検査で最も議論される技術代替のテーマは、ほぼ必ずこの方向に戻ってくる。

1. 中核概念と技術定義

従来のAOIはAutomated Optical Inspectionの略で、SMT実装、PCB、液晶パネルの業界で20年以上使われてきた。基本的な動作は、標準的な良品からテンプレート画像を作成し、ラインで撮像したすべての画像を画素あるいは特徴レベルでテンプレートと比較し、濃淡差が設定したしきい値を超えたら欠陥と判定するというものである。その中核能力は、エッジ検出、二値化、テンプレートマッチングといった画像処理アルゴリズムに支えられている。

AI外観検査は異なる論理に従う。人手で設定した比較ルールに依存せず、大量のラベル付き欠陥サンプルで訓練した畳み込みニューラルネットワーク、すなわちCNNなどの深層学習モデルを用い、良品と各種欠陥クラスをモデル自身が区別できるように学習する。検査時にはモデルが分類結果や欠陥位置を直接出力し、代表例としてはYOLO系の物体検出ネットワークやU-Netのセグメンテーションネットワークを産業欠陥検出へ転用したものがある。

たとえで言えば、従来のAOIは標準的な物差しで全製品を測り、わずかなずれでも警報を鳴らすようなものである。AI外観検査は、数万点の製品を見てきた熟練の職人が、どこがおかしいかを一目で見抜くことに近い。

2. 技術原理と主要能力

従来のAOIの限界は、ラインが段取り替えをした途端に明らかになる。テンプレートを作り直す必要があり、照明がわずかに変わると過検出率が跳ね上がり、柔軟材、曲面ワーク、低コントラストの欠陥に対してルールを網羅的に書くのは難しい。その強みは論理が透明でデバッグが直感的なことであり、品種構成が固定された大量生産では今も十分に通用する。

AI外観検査の能力の境界はずっと広い。一度訓練すれば、モデルは照明の変動、製品姿勢のばらつき、表面テクスチャの違いに対してはるかに強い耐性を持つ。仮想的な電子工場を例にすると、コネクタのピン傾きのような欠陥では、従来のAOIのテンプレート比較は正常公差内のずれを不良と判定しやすいが、多くのサンプルで訓練したAIモデルは許容できるずれと本当に曲がったピンを区別できる。

主要能力は3つの領域に現れる。第1は少数ショット学習で、数十枚の欠陥画像で実用水準のモデルを微調整でき、初期の深層学習が必要とした数万枚は不要である。第2は複数欠陥種類の同時検出で、1つのモデルがキズ、汚れ、欠品、誤組などのカテゴリを出力できる。第3はミリ秒レベルの検査タクトで、GPU推論と組み合わせれば高速ラインでも追従できる。

3. 製造業における典型的な応用シナリオ

3Cエレクトロニクスの組立は、AI外観検査が最も密に導入されている領域である。携帯電話の中枠を製造する工場を想定すると、従来のAOIは陽極酸化処理表面の微妙な色差やピットを安定して検出するのが難しく、異なる照明角度で取得した欠陥サンプルで訓練したAIモデルは過検出を大幅に減らす。こうしたシナリオはミクロン級の検査精度を要求し、従来のルールアルゴリズムは調整サイクルが長いため、AI方式のほうが実際には反復が速い。

自動車部品業界も同様に典型的である。精密ギアを製造する企業を想定すると、歯面の打痕や熱処理の色斑は形態が不規則でコントラストが低い長年の課題である。AI外観検査はセグメンテーションネットワークで欠陥領域をマークし、ラインのPLCと連携して自動排出する。従来のAOIの濃淡しきい値判定より信頼性が高い。多くのソリューションプロバイダーはこうした検査をすでに標準モジュール化し、導入期間を数か月から数週間に短縮している。

さらに上流では、半導体パッケージのワイヤボンディング検査やリチウム電池電極塗工の表面欠陥検査も、AI外観検査が従来のAOIを置き換える典型的な戦場である。これらのシナリオに共通するのは、欠陥サンプルが少なく欠陥形態のばらつきが大きいことであり、まさに深層学習の得意領域に当たる。

4. 選定上の留意点と導入の助言

ラインの検査方式を変える前に、AIという看板に飛びついてはならない。品種が単一で、欠陥種類が固定され、従来のAOIがすでに安定稼働しているなら、AIを無理に導入するとかえって保守コストが上がる。判断基準は単純である。段取り替えが頻繁か、欠陥形態がルールで網羅しきれないか、過検出率がボトルネックで停滞していないか。この3つのうち2つ以上に当てはまるなら、AI方式を真剣に評価する価値がある。

進める場合、最初の関門はデータ準備である。欠陥サンプルの収集とラベリングの品質がモデルの上限を直接決めるため、着手前に主要な欠陥種類をカバーするサンプルセットを構築する。第2の関門は推論ハードウェアの選定で、GPU産業用PCの放熱と安定性をライン環境で事前に検証する必要がある。第3は既存のMESやPLCとの統合で、検査結果をリアルタイムに戻してトレーサビリティを確保する必要があり、この作業量は過小評価されやすい。

進め方としては、単一ステーションのパイロットを成立させてから横展開し、いきなり全ラインに広げないこと。稼働後も継続的な反復の余地を残すこと。ラインの工程が変わればモデルも相応に微調整する必要がある。

5. 展望と結論

今後を見据えると、3つの方向はほぼ確実である。第1に、AI外観検査と従来のAOIは収斂し、ルールアルゴリズムが粗選別を、深層学習が精密判定を担う。演算コストの低下に伴い、こうしたハイブリッド構成はより一般的になる。第2に、少数ショット学習と自己教師あり学習がデータの障壁をさらに下げ、中小製造業にも手が届くようになる。第3に、検査システムと製造実行システムのデータ連携が深まり、欠陥データが工程改善へ流れ、品質検査は不良の阻止から不良の予防へ移る。

ERP時代から数十年の事業、120万社の顧客、数千万台の端末導入、国内外市場のカバー。こうした長年蓄積された製造ITの基盤こそ、AI外観検査がライン工程に真に組み込まれる前提条件である。従来のAOIは見えるという問題を解決し、AI外観検査は理解するという問題を解決する。この一歩を越えて初めて、スマートマニュファクチャリングの品質ループは真に閉じる。

分野: AI画像認識百科