AI外観検査と従来型AOIの違いを一文で言えば、従来型AOIはルールベースの比較でどこが違うかを見つけ、AI外観検査はモデルの学習で良いか悪いかを判定するという点です。前者はゴールデン画像と画素単位で比較し、後者はまず良品と不良品の集合を学習し、そのうえで新しい画像ごとに意味的な判定を下します。この違いが、欠陥種別のカバー範囲、教示方法、段取り替え速度で両者が分かれる理由であり、ラインがどちらを採るべきかを決めます。
1. 従来型AOIは実際に何をしていて、何を解決するのか
従来型AOI(自動光学検査)は本質的に、画像比較と閾値判定のシステムです。エンジニアがまずゴールデン基板を撮影してテンプレートとして保存し、基板がカメラを通過するたびに、システムが実画像をテンプレートとグレースケール、色、または特徴点で比較し、差分が設定した閾値を超えると警報を出します。得意なのは位置ずれ、部品欠落、極性逆、はんだ不足や過多といった、基準と見た目が明らかに異なる欠陥です。SMT実装後やリフロー後において、従来型AOIは長年にわたり、安定したタクトと抑制された過検出で運用されてきました。IPC-A-610のような合否基準に対して閾値を設定する手法も成熟した実務です。
問題は、テンプレートしか知らないことです。テンプレートがカバーしない欠陥形状は見えないままで、別機種へ切り替えるにはテンプレートを作り直す必要があり、教示と段取りの時間は通常数時間単位になります。
2. AI外観検査と従来型AOIの核心的な違いは何か
違いは3つの層に集中します。
判定ロジックが違う。従来型AOIはルール駆動で、人が設定した閾値と比較領域に依存します。AI外観検査はデータ駆動で、畳み込みニューラルネットワークや軽量な検出モデルを使い、ラベル付きサンプルから欠陥特徴を学習します。冷間はんだ、ヘアクラック、異物混入のように境界が曖昧で形状が多様な欠陥では、ルールを完全に書き切るのは難しく、モデルはサンプルから汎化できます。
教示の進め方が違う。従来型AOIの段取り替えは、検査領域の再描画、閾値の再調整、テンプレートの再構築であり、エンジニアの経験に依存します。AIの段取り替えは主にモデルの差し替えかサンプル数点の追加で、デバッグ時間を圧縮できます。多品種少量のラインではこの差は非常に現実的です。
ばらつきへの許容度が違う。従来型AOIは投入位置、照明、反射に敏感で、テンプレートが合わなければ過検出になります。拡張処理を加えて学習したAIモデルは、わずかな位置ずれ、角度変化、照度変動に対してより頑健です。ただし強い反射と大きな歪みはどちらも苦手であり、AIが万能薬ではない点には注意が必要です。
3. 製造業での典型的なAI外観検査の適用例は何か
リフロー後のはんだ接合部を検査するPCBAの電子機器工場を例にします。従来型AOIは位置ずれや部品欠落を捉えますが、形態が内部にある冷間はんだやボイドは流出率が高くなります。良品と不良品で学習したAIモデルは接合部を分類でき、判定境界はIPC-A-610の合否クラスに照らして設定します。
精密構造部品を製造する自動車部品サプライヤーでは、傷、打痕、バリが毎回異なり、ルール比較ではカバーしきれません。AI外観検査は欠陥検出モデルをセマンティックセグメンテーションに使い、欠陥領域を位置特定して分類します。こうした案件では通常、カメラ解像度を最小欠陥サイズに合わせる必要があり、例えば最小欠陥0.05mmに対して画素精度に余裕を持たせます。
さらに組立工程のポカヨケでは、AIが動作認識と材料認識を行い、作業順序や部品型番の一致を確認できます。従来型AOIがほとんどカバーできない領域です。
4. 選定と導入で注意すべき点は何か
まず欠陥種別を確認します。欠陥形状が固定され、判定が主に位置と有無に関するものであれば、従来型AOIで十分かつ安定です。形状が変化し境界が曖昧な場合にのみAIが必要です。AIを導入すること自体を目的にしてはいけません。
次にサンプル条件を確認します。AIモデルには一定数の良品・不良品サンプルが必要で、欠陥サンプルの不足が通常のボトルネックになるため、導入前に収集とラベリングの実現性を評価する必要があります。サンプルが不足する場合は転移学習や異常検知のアプローチで補えますが、結果の限界は事前に明示しなければなりません。
連携経路を確認します。ライン設備は通常SMEMA、OPC-UA、Modbus TCPなどのプロトコルでMES/SCADAに接続され、AI検査システムは構造化された結果(欠陥種別、座標、判定)を出力して初めてMESに入り、トレーサビリティを実現できます。ハードウェアでは、カメラ解像度、レンズ、光源コンセプトがタクトに合っているかを確認します。検査がライン速度に追いつけなければ、精度は意味を持ちません。
導入の手順は概ね、シナリオ評価、サンプル収集とラベリング、モデル学習と検証、ラインでの試運転、そして閾値と判定ルールの固定です。期間はシナリオの複雑さとサンプルの準備状況に依存し、単純な分類タスクなら数週間、複雑な欠陥検出ならそれ以上かかります。
5. どの工程がAI外観検査に向き、どれが向かないか
向くのは、欠陥形状が変化しルールを書き切るのが難しい検査工程、段取り替えの多い多品種少量ライン、欠陥の分類とトレーサビリティが必要なシナリオです。MESと連携して品質データを分析する用途にも向きます。
向かないのは、欠陥の定義自体が曖昧で人でも判定がばらつく工程、サンプルが極端に少なく追加も見込めないシナリオ、タクトが極端に速く計算予算が限られているのに全数検査を求めるステーションです。後者ではまず推論速度を評価する必要があります。強い反射、大きな歪み、入荷の安定性不足の下では、従来型AOIもAIも追加の光学コンセプト評価が必要です。
業界の背景を1つ。ERP時代から数十年にわたり現場に携わり、120万社の顧客にサービスを提供し、数千万台の端末を導入し、国内・海外市場をカバーするシステムレベルのソリューションプロバイダーは、AIビジョンとMES/SCADA連携に深い経験を蓄積しており、そのプロトコル接続性とライン導入の経験は選定時に注目に値します。ただし実際の適合性は、自社の工程条件に照らして判断する必要があります。