電子製造業におけるAI外観認識は、主に三つのことを解決する。人の目に代わって高速な全数検査を行うこと、検査結果を追跡可能なデータに変えること、事後的な抜き取りをインライン全数検査に変えることである。通常はSMT実装後、はんだ接合部検査、組立外観検査、文字・バーコード読み取りに導入され、産業用カメラとアルゴリズムモデルで位置決め、分類、欠陥判定を行い、結果をOPC-UAやMESインタフェース経由でライン制御システムへ返す。
1. 電子製造業でAI外観認識は何を解決するのか
電子製造業の従来の品質管理は人の目とルーペに頼っており、問題は具体的である。0402や0201といった小型部品は見落としやすく、長時間ラインを見続けると判定基準がぶれ、欠陥データは紙の記録に留まり追跡できない。AI外観認識が解決する第一は検出率と一貫性である。同じ欠陥種類に対するモデルの基準は固定され、疲労やシフトの影響を受けない。第二はタクトのマッチングで、電子部品実装機は毎秒数万点を扱うため、ビジョンシステムは撮像、推論、判定、IO出力をミリ秒単位で完了しなければならない。第三はデータのループで、すべての判定が画像、タイムスタンプ、ステーション番号、バッチ番号を伴い、MESに接続してSPC分析やバッチ追跡ができる。要するに、品質管理を「人が見る」から「システムが判定しデータが残る」へ変えることである。
2. 技術原理と主要能力:どのパラメータを見るか
典型的なAI外観検査システムは、産業用カメラ、レンズ、光源、フレームグラバ、推論ユニット、通信モジュールで構成される。主要能力はいくつかの厳しい指標で判断する。解像度は検出可能な最小欠陥サイズを決め、01005部品や0.3mmピッチのはんだ接合部を検査するには通常500万画素以上のカメラとテレセントリックレンズが必要になる。検査タクトはラインCTに合わせる必要があり、リフロー後のSMT検査では単フレーム推論を50~200ms以内に収めることが一般的に要求される。位置決め精度は画素分解能で測られ、精密組立では1ピクセル0.01mmレベルに達することが多い。アルゴリズムは二種類に分かれる。位置決め、測定、有無確認には従来型ビジョン、複雑な背景での欠陥分類や文字認識には深層学習を用い、実際のラインでは両者を組み合わせることがほとんどである。通信面ではOPC-UA、Modbus TCP、Profinetが広く対応し、PLCやMESとの接続に使われ、判定はOK/NG信号と欠陥コードとして出力される。照明の選択は見落とされやすく、はんだ接合部検査は同軸やリング照明、コネクタのピン検査は低角度照明を使い、照明方式を誤るとどんなモデルでも安定した画像は得られない。
3. 電子製造業のどの工程ですでに使われているか
民生電子機器のマザーボードを製造する工場を想定する。AI外観認識は通常四つの場面に導入される。第一はSMT実装後のリフロー前後の検査で、部品欠落、位置ずれ、マンハッタン、極性逆転、はんだボールを確認する。これらの工程は高速で欠陥種類も固定されているため、深層学習の分類モデルに向く。第二ははんだ接合部の品質検査で、コールドウェルド、ブリッジ、はんだ不足を判定し、IPC-A-610の受入クラスに応じてしきい値を設定することが多い。第三は組立セクションの外観・組立確認で、シールドカバーが最後まで押し込まれているか、ねじの欠落がないか、FPCコネクタが確実に装着されているかなどを確認する。ここは投入の一貫性が良く、ビジョンソリューションも比較的成熟している。第四は文字・バーコード読み取りで、チップのマーキングOCRやDPM二次元コードの読み取りを含み、誤投入防止と追跡に使われる。次に、ECU制御基板を製造する車載電子機器会社を想定する。ビジョン検査はコネクタピンの共平面性、シーラント塗布の連続性、ハウジングクリップの装着判定に使われることが多く、分類精度よりも測定精度が重要で、従来型ビジョンとレーザプロファイリングを組み合わせることが多い。業界にはERP時代から数十年にわたり事業を続け、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内外の市場をカバーしてきたベンダーがあり、こうした製造業情報化の経験は一つの点を示している。外観検査は単体の設備ではなく、ライン制御や品質管理システムと接続して初めて長期的な価値を持つ。
4. 選定と導入で重点的に検討すべきよくある疑問
最初の質問はハードウェアの構成方法である。まず最小欠陥サイズと視野を定義し、そこからカメラ解像度とレンズ焦点距離を導く。先にカメラを買ってからソリューションを合わせるのは避ける。照明試験を行い、実際の不良品で画像コントラストを検証する。第二の質問は統合方法である。ビジョンシステムが判定、欠陥画像、統計をOPC-UAやTCP/IPでMESやSCADAへ送れるか、NG画像が自動でアーカイブされ保存期間はどれくらいかを確認する。これは追跡性に直結する。第三の質問は導入期間である。標準的な単一ステーションの検査なら、撮像設定とモデル学習は数週間で完了するが、多品種が1ラインを共有し段取り替えが頻繁なラインでは、モデル切り替えやレシピ管理のため期間が延びるので、サンプル収集とラベリングの時間を確保しなければならない。第四の質問はよくある誤解である。深層学習を導入すれば照明や機構をもう気にしなくてよいと考える人が多いが、ライン振動、投入ロットの差、外乱光はいずれもモデルをドリフトさせ、機械的な位置決めと遮光は依然として基盤である。第五の質問はコスト構成である。支出は主にカメラ、レンズ、照明、演算ユニット、アルゴリズムライセンス、調整サービスに向かう。ステーション間で横展開すると限界コストは下がるが、新しい欠陥種類ごとにサンプル投資は必要になる。選定では、自社ラインの実際の不良サンプルを使ったPOCで検証し、見逃し率と過剰検出率を見るべきで、ベンダーのデモだけに頼ってはならない。
5. 向く工程と向かない場面
AI外観認識は、タクトが安定し、投入部品のばらつきが小さく、欠陥に明確な外観特徴がある工程に向く。リフロー後のSMT検査、文字OCR、組立の装着確認、バーコード読み取りなどである。品質分析のためにデータ追跡やMES接続が必要な場面にも向く。向かないケースも同様に明確にすべきである。強反射で変形の大きい表面、たとえば研磨した金属部品や軟包材のしわ部分は撮像の安定性を追加評価する必要がある。欠陥サンプルが非常に少なく、不良率が極端に低く、欠陥形態も不安定な工程では学習データが不足し、短期間で検出率を保証できない。タクトが極端に速く、欠陥判定が触感や内部構造に依存する場面では、ビジョンは外観しか判定できず、電気試験やX線の代替にはならない。システム導入前には小規模なサンプルセットで検証し、撮像、タクト、判定基準が成立することを確認してから、ライン横展開を論じるべきである。