AI外観検査モデル学習のラベリング基準は、3つの点に集約されます。クラス定義が一意で排他的であること、矩形の適合に定量化された許容差があること、ラベル付きデータを層化抽出で学習用、検証用、テスト用に分割し、難例を残すことです。この3つがなければ、ライン上の流出率と過検出率は事実上制御できません。以下は実際の導入順序に沿って述べます。
1. ラベリング基準は実際に何を解決するのか
工場のAIビジョンプロジェクトの多くが、アルゴリズムの失敗ではなく、ラベル付きデータそのものが耐えられないために行き詰まります。同じ画像で、作業者Aが傷の縁から5画素はみ出して矩形を囲み、作業者Bが芯だけを囲めば、学習したモデルは欠陥サイズの判定で揺らぎます。ラベリング基準の本質は、人の視覚判定を再現可能な幾何・意味のルールに翻訳し、異なる作業者と異なるロットが1本の物差しを共有できるようにすることです。
解決する具体的な課題は3つです。クラスの曖昧さ(同じ欠陥を2つのクラスとしてラベリングする)、境界の曖昧さ(どれくらいの矩形が正しいか)、サンプルの偏り(良品画像が欠陥画像よりはるかに多い)。SMTのリフロー後AOI、自動車部品の表面欠陥検査、リチウム電極の塗工検査といった工程では、この3つを解決して初めて、その後のパラメータ調整が意味を持ちます。
2. ラベリング基準で定量化すべき技術パラメータは何か
矩形はぴったり囲むべしと数行書くだけでは足りません。実行可能な基準は数値に落ちなければなりません。
クラス定義は排他的な一覧を使い、各クラスに標準例の画像3〜5枚と紛らわしい反例2枚を添えます。境界の許容差は通常、検出矩形と真の境界の偏差が対象の短辺の5パーセントを超えないこと、セマンティックセグメンテーションのマスク端の許容差は2〜3画素と規定します。最小アノテーションサイズも文書で固定し、例えば短辺8画素未満の欠陥は個別にアノテーションせず無視領域にまとめ、モデルがノイズを学習しないようにします。
属性ラベリングも値域を固定しなければなりません。傷には長さの範囲、方向、貫通の有無をラベリングし、自由記述ではなく列挙値を使います。ツール面ではクロスレビューを有効にします。各バッチの少なくとも10パーセントを2名が背中合わせでラベリングし、一致係数が0.85未満のバッチは再ラベリングに戻します。これらのパラメータが、検証セットでのモデルのmAPが安定するかどうかを直接決めます。
3. どの製造工程がラベリング基準に最も依存するのか
電子機器工場のPCBA外観検査を例にします。リフロー後、テスト前の位置です。欠陥クラスにははんだ不足、はんだブリッジ、マンハッタン、ずれが含まれます。ここでは基準がはんだブリッジとはんだボールを区別しなければなりません。前者は2つの接合部を橋渡しし、後者は孤立した球で、混同するとブリッジ欠陥の再現率が明らかに下がります。また有極性部品の向きのラベリングを規定しなければ、ずれの判定に基準がなくなります。
自動車部品サプライヤーの鋳物の生肌表面検査を例にします。機械加工前の位置です。欠陥は巣穴、引け巣、亀裂です。鋳物表面は反射が不均一なため、基準は反射領域を欠陥としてラベリングしないことを追加で規定し、反射の反例セットを用意します。亀裂のラベリングは単一の矩形ではなく方向に沿った折れ線を要求し、そうでなければモデルはアスペクト比の特徴を学習できません。
リチウム電極の塗工も同様で、塗工端の余白と黒点を別々に定義し、ラベリングは固定倍率で行わなければなりません。そうでなければ同じ欠陥が倍率によって異なるサイズになります。
4. ラベリング基準を運用する際に現れる落とし穴は何か
よくある質問はいくつかの点に集中します。
ラベリングツールと学習フレームワークの形式整合です。検出はCOCO JSONまたはYOLO txt、セグメンテーションはPNGマスクを使います。基準には座標が正規化されているかどうかを明記し、クラスID対応表の版番号を記録して、ロット変更後にIDがずれないようにします。
アノテーション作業者の教育コストをどう抑えるか。まず50枚の校正セットを用意して全員にラベリングさせ、一致率を計算し、合格した者だけを正式なバッチに受け入れます。校正セットは四半期ごとに更新し、新たに現れた難例を追加します。
難例をどう回収するか。ラインからの過検出画像を定期的にサンプリングしてラベリングプールへ戻し、難例としてタグ付けし、学習時に高いサンプリング重みを与えます。この手順を省くと、材料番号の変更後にモデル性能が急速に落ちます。
ラベリング量をどう見積もるか。検出タスクでは欠陥クラスごとに最低500の有効インスタンス、セグメンテーションでは最低300を推奨します。良品画像は欠陥画像の3〜5倍を混ぜますが、多ければよいわけではなく、反復的な背景はダウンサンプリングすべきです。
もう1点よく見落とされるのは、ラベリング基準に版管理が必要だということです。クラス定義や許容差を変更するたびに版番号を上げ、変更履歴を記録しなければ、学習で新旧のデータを混ぜたときに隠れたバイアスが入ります。
5. この基準はどのシナリオに向き、どれが向かないか
タクトが安定し、入荷の安定性が良く、欠陥形状を列挙できる工程に向きます。リフロー後のSMT検査、構造部品の表面欠陥、塗工面の検査などが該当します。こうした案件は欠陥クラスが限られ、ラベリングルールを明確に書け、モデルの収束も予測できます。
欠陥形状が非常にランダムで事前に列挙できないシナリオには向きません。自由曲面の機械加工後に現れるランダムなテクスチャ異常などで、教師なしの異常検知の路線が適しており、無理にラベリング基準を課すとコストが膨らみます。高反射部品、高歪み部品、欠陥と背景のコントラストが極端に低い工程では、まず撮像コンセプトを評価します。撮像が不足していれば、どれだけ詳細にラベリングしても救えません。さらに、1ロット数十個しか作らない多品種少量ラインでは、ラベリング投資の回収を計算してから着手すべきです。
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てきたベンダーの製造ITの実務が示すのは、外観検査のラベリング基準が定着するかどうかは、最終的にそれがMESの作業指示、材料番号、工程ステップに結び付いているかどうかにかかっているという点です。生産の文脈から切り離して画像だけをラベリングすると、基準がどれだけ整っていても、稼働後にモデルが実際の欠陥分布に適合できません。