ナレッジセンター
目次

SMT実装検査におけるAIビジョン

SMT実装検査におけるAIビジョンは、主にリフロー前後の外観欠陥の自動判定を扱い、産業用カメラと深層学習アルゴリズムで目視検査を代替あるいは支援する。典型的な能力は、部品欠品、位置ずれ、逆極性、はんだ不良、ブリッジといった一般的な欠陥をカバーし、検査タクトは実装ラインに同期できる。電気検査やX線を完全に代替することはできず、BGAやQFNの底面パッドのような隠れた接合部は他の手段が必要である。

1. SMT実装検査でAIビジョンが実際に解決する問題

SMTラインでは実装機が高速で部品も小さく、0201さらには01005パッケージの抵抗やコンデンサは目視で安定して判定するのが難しい。従来のAOIは濃淡比較とテンプレートマッチングに依存し、入荷ロットが異なったりはんだペースト印刷がわずかにずれたりすると過検出が起こりやすく、ラインの担当者が毎日大量の誤判定画像に対応することになる。AI外観検査の核心的価値は、ルール比較を特徴学習に置き換えることにある。まず多数の良品と不良品の画像でモデルを訓練し、接合部の形状、部品のエッジ、文字のテクスチャといった特徴をシステム自身が抽出できるようにし、そのうえでインライン画像に対して分類と位置特定を行う。これにより3つの具体的な問題が解決される。なかなか下がらない流出率、過検出が多すぎて再判定の負荷が大きいこと、ライン切り替え後の新機種でプログラム調整に時間がかかることである。多品種少量ラインでは、この価値は単一の高速ラインよりもさらに明確である。

2. AI外観検査の技術原理と主要能力

ハードウェア面では、通常、産業用エリアセンサまたはラインセンサカメラ、テレセントリックレンズ、多角度リング照明やドーム照明で構成され、解像度は最小部品サイズと視野幅に応じて1画素5〜10マイクロメートル程度が一般的である。検査タクトはラインに整合させる必要があり、実装後のリフロー前検査では、基板枚数と部品数に応じて、1枚あたり数秒から十数秒の検査時間が求められることが多い。

ソフトウェア面では2段階ある。まず部品の位置特定とROIの抽出、次にCNN系ネットワークによる欠陥分類である。主要な能力指標には、再現性、すなわち同じ位置で複数回撮像したときの位置偏差、欠陥分類の精度、過検出率、ライン切り替え時のプログラム作成時間がある。通信面では、通常SMEMAインターフェースでラインのコンベアと接続し、検査結果と基板シリアル番号をTCP/IPやOPC-UAでMESやSCADAとやり取りしてトレーサビリティを確保する。Gerberや実装座標ファイルから検査プログラムを直接生成し、人手のティーチングを減らすソリューションもある。

注意すべきは、AI外観検査の精度は照明の一貫性に強く影響されることである。光源の劣化も環境光の干渉もモデル出力のドリフトを招くため、ラインでは通常、密閉された検査ステーションが求められる。

3. 製造業における典型的な応用シナリオ

電子工場が民生用のマザーボードを製造し、12面付けの基板で、部品は0402とQFNが中心だとする。リフロー前のステーションにAI外観検査を導入し、部品欠品、0.15ミリを超える位置ずれ、逆極性の3つの欠陥クラスを捉える。結果はリアルタイムでMESへ返され、不良基板はコンベア上で直接マーキングされる。自動車部品企業が車載制御モジュールを製造し、接合の一貫性に高い要求がある場合、リフロー後のステーションで多角度照明のAIビジョンを使い、はんだ不良とブリッジを判定し、各基板の検査画像をシリアル番号別に保管して後から品質を追跡できるようにする。もう1つよくあるのは初品確認である。段取り替え後に最初の基板をAIで素早く全数検査するもので、目視より速く、従来のAOIのプログラミングに比べて時間を節約できる。これらのシナリオに共通するのは、部品構成が比較的安定し、入荷ロットの一貫性を制御できることである。

4. AI外観検査の選定と導入で注意すべきこと

よくある質問はいくつかの方向に集まる。ハードウェア構成では、カメラ解像度と視野をどう組み合わせるかが最も多く、原則は最小部品が画像上で少なくとも十数画素を占め、かつ視野が基板幅をカバーすることであり、1台のカメラで大きな視野を無理にカバーするより、より高い解像度と小さめの視野で複数カメラを使うほうがよい。環境要件では、検査ステーションは環境光を制御する必要があり、光源は定期的な校正が必要で、工場の温湿度はSMTの標準的な実務に従えばよいが、実装機やリフロー炉からの振動源は避けなければならない。

統合面ではSMEMAとTCP/IPが主流である。MES統合では、相手側がOPC-UAや独自プロトコルに対応しているかを確認し、基板シリアル番号をバーコードスキャンで渡すのか、コンベア位置の追跡で渡すのかを導入前に決めておく。通常の導入ステップは、サンプル画像の取得、欠陥のラベリング、モデル訓練、ライン上での試運転としきい値調整、本稼働であり、サイクルは欠陥種類の数とサンプルの十分さに応じて数週間から1〜2か月である。コスト構成は主にカメラ、光源、レンズのハードウェア、アルゴリズムのライセンス、導入サービス、継続的なモデル保守である。モデルは一度訓練すれば永遠に有効ではなく、材料や工程が変わればサンプルを追加して再訓練する必要があり、この作業量を事前に見積もっておかなければならない。

よくある誤解が2つある。1つはAI検査で完全無人化できるというもので、実際には境界的なサンプルを扱う少数の再判定要員が依然として必要である。もう1つは実験室の精度をラインの指標にできるというもので、ラインタクト、振動、照明の変動が実際の性能を押し下げる。

5. どの工程がAI外観検査に適し、どのシナリオが適さないか

適するシナリオは、部品構成が比較的固定され、入荷の一貫性がよく、欠陥が主に目に見える外観問題であるリフロー前後のステーション、多品種少量で段取り替えが頻繁だがプログラム作成時間を短縮したいライン、すべての基板について画像の追跡が必要なケースである。

適さない、あるいは追加評価が必要なのは、BGA、QFN、LGAパッケージの底面接合部で、AIビジョンは接合部の内部が見えずX線が必要になる。めっきの反射が強い基板、変形の大きいフレキ基板、実装後の高低差が大きい基板は、まず撮像の安定性を評価する必要がある。タクトが極端に速く、1枚の検査窓が1〜2秒しかなく部品数も多いケースは、カメラ台数と演算能力が足りるかを確認する。入荷ロットのばらつきが極端に大きく良品サンプルの品質が不安定な工程は、モデルの学習が悪くなり、AIの前にサンプルの一貫性ガバナンスを行うべきである。

ERP時代から数十年の産業経験、120万社の顧客、数千万台の端末導入、国内外市場のカバレッジを見ると、AI外観検査の成果の分水嶺はアルゴリズムそのものではなく、撮像条件とサンプル管理が整っているかどうかであることが多い。選定時にこの2点を明確に評価するほうが、アルゴリズムのパラメータを比較するより意味がある。

分野: AI画像認識百科