ナレッジセンター
目次

PCB検査におけるAI外観検査

PCB検査におけるAI外観検査の核心的価値は、人の目と抜き取りに頼ってきた欠陥判定を、撮像とアルゴリズムモデルに基づくインライン全数検査へ変え、SMT実装、はんだ接合形成、シルク印刷文字の各工程で追跡可能な判定を安定して出力することにある。解決するのは、よりはっきり見えることではなく、一貫して判定し、確実に記録し、遡って追跡できることである。

1. PCB検査でAI外観検査が実際に解決する問題

PCB生産で長年難しいのは、欠陥の形態が多様で発生位置もランダムなことである。位置ずれ、マンハッタン現象、はんだ不足、ブリッジ、はんだ不良、キズ、文字の誤印などがある。少量多品種で段取り替えが頻繁だと、目視判定の基準が揺らぎやすく、シフトや検査員が違えば同じ基板でも結論が異なることがある。抜き取りには流出の確率的なリスクが内在し、欠陥が下流の組立に達すると手直しコストは何倍にもなる。

AI外観検査が行うのは、欠陥判定を人の経験からモデルの出力へ変えることである。標準的な画像サンプルを収集して検出モデルを訓練し、各基板に対して欠陥クラス、位置座標、信頼度を付与し、これらの結果をMESと連携したデータベースへ書き込む。これにより3つの直接的な利点が得られる。判定基準が固定され、人によって揺らがなくなる。全数検査が抜き取りを置き換え、流出率が制御可能になる。すべての基板に画像と判定の記録が残り、クレーム追跡の際の証拠になる。

2. このシステムの技術原理と主要能力は何か

典型的なアーキテクチャは3層から成る。撮像、アルゴリズム、判定である。

撮像層が上限を決める。PCB検査では通常、テレセントリックレンズ付きの産業用エリアセンサカメラ、あるいはモーションステージ付きのラインセンサカメラを使う。解像度は最小欠陥サイズに整合させる必要があり、業界の一般的な実務では検出可能な最小欠陥を3〜5画素に割り当てるため、0.1ミリのはんだ不足を確実に検出するには画素精度が0.02〜0.03ミリ水準であることが多い。光源は多角度リング照明や同軸照明が中心で、はんだ接合検査では鏡面反射を抑え立体的な形態を強調するドーム照明がよく使われる。FPCのような変形しやすい基板では、伸縮補正とフィデューシャルマークの認識も考慮する必要がある。

アルゴリズム層が中核である。初期の方式はテンプレートマッチングとルールしきい値に依存し、固定パッケージの固定欠陥には有効だが、段取り替えのたびにパラメータを再調整する必要があった。現在の主流は、正常サンプルと少数の欠陥サンプルで訓練する深層学習の欠陥検出モデルで、分類とセグメンテーションの結果を出力する。主要指標は検出率、過剰検出率、1枚あたりの検査タクトである。過剰検出率の制御が悪く誤判定が多いと、ラインはシステムを使わなくなり、これは検出率以上に導入に影響する。

判定層はラインと連携する。検査結果はSMEMAインターフェースやPLC信号で選別をトリガし、データはOPC-UAやMQTTといったプロトコルでMESやSCADAへアップロードされ、バッチ品質の記録を形成する。低信頼度のサンプルを人による確認へ回し、確認結果をモデル反復にフィードバックする再判定ステーションに対応するソリューションもある。

3. 製造業における典型的な応用シナリオは何か

民生エレクトロニクスのマザーボードを製造する電子工場が、SMTラインの後端にAOIステーションを置き、実装位置ずれ、部品欠品、逆極性、はんだブリッジを検査するとする。こうしたシナリオはタクトが速く基板種類も比較的固定されているため、深層学習モデルによるインライン全数検査に適し、結果がそのままNG選別を駆動する。

自動車部品企業が車載制御モジュール用のPCBを生産し、接合信頼性への要求が高く、外観欠陥だけでなくはんだ不良やボイドといった内部性状にも注意が必要だとする。可視光の撮像だけでは不十分で、X線やレーザー変位センシングを組み合わせたマルチモーダル判定がよく行われ、AIビジョンは外観欠陥のスクリーニングと座標の位置特定を担い、疑わしい領域をマークして後工程の確認に回す。

さらに、産業用制御基板のメーカーが多品種少量で段取り替えが頻繁、ロットも小さいとする。こうしたシナリオの課題はモデル切り替えのコストであるため、素早い段取り替えと少ないサンプル要件に対応したソリューションが望ましく、あるいは基板種類ごとにレシピとして検査戦略を管理し、段取り替え時に該当レシピを呼び出す運用にすれば再訓練は不要になる。

4. 選定と導入で注意すべきこと

ハードウェア構成をどう設定するか。まず画素精度を計算し、そこからカメラ解像度とレンズ視野を導く。逆ではない。光源は欠陥種類に整合させる必要があり、はんだ接合、シルク印刷、ソルダーレジストでは光への応答が大きく異なるため、実基板を持ち込んで照明テストを行う。モーションステージの精度とカメラトリガの同期も確認しなければ、画像のぶれがアルゴリズム性能を直接損なう。

既存ラインとどう統合するか。検査装置がSMEMA接続に対応しているか、PLCのI/O信号を提供するか、データインターフェースがOPC-UAか独自プロトコルかを確認する。工場にすでにMESがある場合は、欠陥データの項目をマッピングできるかを事前に確認し、稼働後の二次開発を避ける。

導入にはどれくらいかかるか。通常の進め方は、まずサンプル収集とラベリング、次に初期モデルの訓練、そのうえで小ロット試運転で過剰検出率を調整し、最後に量産である。サイクルは主に欠陥種類の数とサンプル入手の難易度に依存し、形態が多様でサンプルが難しいほど長くなる。欠陥種類が極めて単純な場合を除き、1週間で稼働できるという話は信じるべきではない。

よくある誤解は何か。第1に検出率だけを見て過剰検出率を見ないこと。誤判定が続くとラインがシステムを切ってしまう。第2に実験室のサンプルで訓練してそのまま量産に入ること。照明や基板表面の状態が変わると結果が崩れる。第3に再判定プロセスの設計を怠ること。低信頼度のサンプルに出口がなく、作業者が感覚で通してしまう。

コスト構成はどうなっているか。主に4つの部分である。撮像ハードウェア、演算プラットフォーム、アルゴリズムのライセンスあるいは開発サービス、統合導入。ハードウェアと演算は一時投資で、アルゴリズムと統合はプロジェクト単位やステーション単位の価格設定が多い。少量多品種の工場は、単価だけでなく段取り替えコストを個別に計算しなければならない。

5. どの工程が適し、どのシナリオが適さないか

適するシナリオは、基板種類が比較的安定し、欠陥種類を列挙でき、タクト要件が明確で、入荷の一貫性がよい工程であり、SMT後のAOI、はんだ後の外観検査、シルク印刷文字の検証などが該当する。こうしたシナリオはサンプルが蓄積しやすく、モデルも早く収束し、投資対効果が明確である。

慎重に評価すべきシナリオは、反射の強い表面、大きく変形するFPC、欠陥サンプルが極めて入手しにくい新製品立ち上げ段階である。不可能ではないが、追加の照明検証、伸縮補正の設計、あるいはルールアルゴリズムと人手の再判定による移行期間が必要になる。

直接適用すべきでないシナリオは、欠陥の定義自体がまだ統一されておらず工程パラメータが日々変わる工程である。モデルはデータの規則性を学ぶもので、基準が固まっていなければ検査結果は使えない。また、1個ロットで同じ基板種類がほとんど繰り返されないシナリオでは、モデル訓練コストを償却できないため、全自動判定の前に人手支援のスクリーニングを行うべきである。

ERP時代から数十年の産業実務、120万社の顧客、数千万台の端末導入を見ると、PCB検査の知能化は機械を1台買う話ではなく、撮像、アルゴリズム、データ連携、現場プロセスをまとめて変えることである。まず欠陥基準を明確にし、そのうえでモデルを論じる。順序を逆にすると、通常は金を無駄にする。

分野: AI画像認識百科