エレクトロニクス製造におけるAI外観検査は、主に3種類の問題を解決する。人の目では追いつかない、あるいは一貫させられない外観欠陥の検査、高速な実装やはんだ付け工程でのインライン位置決めと位置合わせ、そして組立の誤り防止とトレーサビリティにおける文字、極性、バーコードの検証である。工程そのものを代替するものではなく、その価値は反復的な判断をアルゴリズムに任せ、異常を人と設備へ渡して閉ループで処理することにある。
1. エレクトロニクス製造でAI外観検査が実際に解決する問題
エレクトロニクス製造の特徴は、タクトが速く、部品が小さく、ロットが多いことである。1本のSMTラインは1時間に数百枚の基板を生産することがあり、01005パッケージ、0.3ミリピッチのコネクタ、ミクロン級のはんだボイドをルーペの下で目視により1つずつ確実に確認するのは現実的でも信頼できることでもない。従来のマシンビジョンは濃淡しきい値やエッジ特徴を固定したルールアルゴリズムに依存し、品番が変わったり入荷ロットが変わったり照明がわずかにずれたりすると過検出を出す。
AI外観検査はまさにこの隙間を埋める。深層学習モデルが欠陥の形態分布を学習し、キズ、位置ずれ、マンハッタン現象、はんだ不足、異物といった外観欠陥を分類し位置特定し、文字、2次元コード、極性マークを認識し検証する。解決するのは見えるかどうかではなく、入荷のばらつきに適応しながら正確に判定できるかという問題である。
2. 技術原理と検証可能な主要能力指標
主流の方式は、産業用カメラ、光源、エッジ演算ユニットで構成され、モデルは主に畳み込みニューラルネットワークと軽量な検出ネットワークで、ライン側の産業用PCやエッジボックスに配備される。推論遅延は通常数十ミリ秒で、オンザフライ撮像と組み合わせれば実装機やAOIのタクトに同期できる。
検証可能なパラメータの次元はいくつかある。カメラ解像度は500万から2000万画素が一般的で、検出可能な最小欠陥サイズを決める。検査タクトは視野サイズとモデルの複雑さに応じて毎分数十枚から数百枚。位置決めの繰り返し精度はサブピクセル水準に達し、校正後のボンディング位置合わせに使われる。通信面では、OPC-UA、Modbus TCP、TCP/IPといったプロトコルを概ねサポートし、MESやSCADAと統合して検査結果、欠陥画像、基板番号をトレーサビリティデータベースへ書き込む。
注意すべきは、AIモデルは一度訓練すれば永遠に有効ではないことである。入荷ロット、ステンシル洗浄のサイクル、光源の劣化がすべて分布のドリフトを起こすため、エンジニアリングでは過検出サンプルの還流とモデル反復の仕組みを必ず残さなければならず、この作業量はしばしば過小評価される。
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後のAOIステーションでAIを使いはんだ接合の外観を再判定し、ルールアルゴリズムが大量に報告する疑わしい欠陥を二次分類して人手の再判定負荷を減らすとする。スルーホール挿入の工程では、ビジョンがコネクタの座りと極性の誤り防止を検証し、逆挿入や挿入漏れを防ぐ。
さらに、自動車部品の電子企業がECU制御基板を組み立て、レーザーマーキングの文字と2次元コードをAIビジョンで読み取り、MESの作業指示と照合して基板単位のトレーサビリティを確保する。ワイヤハーネスの圧着ステーションでは、ビジョンが端子の圧着高さと露出導体を測定し、ノギスによる抜き取りを置き換える。
もう1つの類型はFPCやモジュールのボンディングで、ビジョンがフィデューシャルマークを位置合わせし、ボンディングのずれを工程公差内に収める。こうしたシナリオは光源の均一性と校正精度に高い要求があり、反射の強いパッドには同軸照明や偏光方式が必要になる。
4. 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点に集まる。ハードウェア構成では、まず最小欠陥サイズから画素等価を導き、そのうえでカメラ解像度とレンズ倍率を決める。光源はカメラ以上に撮像の安定性に影響することが多い。環境要件では、ラインの振動、環境光の漏れ、熱ドリフトがすべて再現性に影響するため、遮光と剛性の高い取付ブラケットが必要である。
統合面では、装置がOPC-UAや標準I/Oのトリガインターフェースを提供するか、基板番号を既存のMESに紐づけられるかをまず確認し、データの孤島を避ける。導入ステップは概ね、撮像評価、サンプル収集とラベリング、モデル訓練、オフライン検証、ライン上での小ロット試運転、しきい値の確定であり、サイクルは欠陥種類の数に応じて数週間から数か月である。
よくある誤解が2つある。1つは少数サンプルで訓練してすぐ稼働させることで、汎化不足から過検出が多発する。もう1つはAIを万能薬と見なすことで、実際には撮像が不明瞭ならどんなモデルも役に立たず、アルゴリズムより先に照明を解決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
適するのは、タクトが安定し、入荷の一貫性がよく、欠陥の外観的特徴が明確な工程であり、SMTのはんだ接合外観、文字とバーコードの認識、組立の極性誤り防止、ボンディングの位置合わせなどが該当する。適さないのは、反射が強く変形が大きいシナリオ、あるいは欠陥の定義自体が曖昧なケースで、たとえば一部の柔軟材料のしわ判定や内部ボイドはX線や超音波の手段が必要で、ビジョンは表面しか判定できない。
また、少量多品種で段取り替えが極端に頻繁なラインではモデル保守コストが上がるため、段取り替え時にサンプルを補充できる能力を評価しなければならない。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も1点を示している。外観検査を導入できるかどうかは、アルゴリズムがどれほど先進的かではなく、撮像方式、タクト整合、MESの閉ループがつながっているかどうかにかかっていることが多い。