AI外観検査と従来のAOIの核心的な違いは次のとおりである。従来のAOIはルールと比較して「どこが違うか」を見つけるのに対し、AI外観検査はサンプルから学習して「それが何であり、合格かどうか」を判断する。前者はプログラム化された検査ツールであり、後者は認知能力を備えた判断システムである。この3年間、電子、自動車部品、新エネルギーなどの業界でAI外観検査に関する問い合わせは急増しているが、その理由は単純である。品種切替が頻繁になり不良の形状がより複雑になったため、手作業でルールを書くAOIでは追随できなくなっている。
1. 中核となる概念と技術的定義
従来のAOI(Automated Optical Inspectionの略)は、本質的にはあらかじめ設定したルールに基づく画像比較システムである。技術者は事前に、はんだ接合部がどこにあるべきか、その面積はどれくらいか、グレースケールの範囲はどこからどこまでかを指示する。検査時にはカメラが画像を取得し、システムは各領域を標準テンプレートと画素単位で比較し、しきい値を超えるとアラームを出す。その論理は「差分を見つける」ことであり、位置が固定され不良形状が安定している場面に適している。
AI外観検査は異なる論理に従う。手書きのルールに依存せず、ラベル付けされた大量の不良サンプルでモデルを訓練し、良品とはどのようなものか、不良品とはどのようなものかをシステム自身に学習させる。検査時にはモデルが特徴を抽出して画像を分類し、OK/NGと不良種類(傷、汚れ、はんだ未溶着、欠品など)を出力する。その論理は「特徴を認識する」ことであり、位置のずれ、照明の変動、不規則な不良形状によりよく適応する。
一言でいえば、従来のAOIは標準解答と照合して答えを採点し、AI外観検査は問題を読み取って自ら判断する。
2. 技術原理と主要な能力
従来のAOIの中核的な強みは安定性と速度である。固定位置での寸法測定、欠品検出、位置ずれ判定を非常に高速に行い、サイクルタイムはミリ秒単位に達する。弱点も同様に明らかである。別製品に切り替えるたびに、画像を撮り直し、領域を描き直し、しきい値を再設定する必要があり、数時間から場合によっては数日間の調整を要する。また、反射、影、わずかな色差があると、誤検出率が目に見えて上昇する。
AI外観検査の中核的な強みは汎化性と適応性である。業界で一般的な深層学習による不良検出ソリューションを例に取ると、通常は画像前処理、特徴抽出ネットワーク、不良の分類またはセグメンテーションのヘッドという3段階で構成される。訓練では数百から数千枚の不良画像を入力し、モデルが異なる不良のテクスチャやエッジの特徴を識別できるように学習させる。推論時には、不良の位置がずれても、形状が変わっても、照明が変動しても、モデルは安定した判定を出力する。
能力の差はいくつかの次元で現れる。切替速度では、AIソリューションは通常、新しいサンプルを数十枚用意して再訓練またはファインチューニングするだけで済み、数十分以内に稼働できるが、従来のAOIはプログラムを組み直す必要がある。誤検出の抑制では、AIモデルはわずかな色差や材料のテクスチャといった許容できる自然なばらつきを学習できるが、従来のAOIはしきい値を緩めることしかできず、緩めれば見逃しが発生する。不良の分類では、AIは不良種類を直接出力するが、従来のAOIは「異常」としか報告できず、その後の人手による再判定が必要になる。
3. 製造現場における典型的な適用場面
電子工場でPCBA基板を検査する場合を考える。従来のAOIは欠品、位置ずれ、極性の逆挿入を検出できるが、はんだ未溶着、はんだボール、わずかなトゥームストーン現象(片端立ち)は見逃しや誤検出が起こりやすい。切替のたびに基板種類ごとに新しいプログラムが必要で、技術者は一日の大半をAOIの調整に費やす。AI外観検査ソリューションでは、まず良品と不良のサンプルでシステムを訓練し、稼働後は未溶着やはんだボールの認識精度が目に見えて向上し、切替時には新しいサンプルが少数で済むため、調整時間を数時間から数十分に短縮できる。
自動車部品メーカーが金属部品の表面を検査する場合を考える。プレスや機械加工の後、表面には傷、へこみ、バリ、錆斑が生じることがある。固定照明とテンプレート比較を用いる従来のAOIは、曲面の反射やわずかな回転によって頻繁にアラームを出す。AI外観検査ソリューションは、多角度照明とセグメンテーションモデルを組み合わせ、不良領域を背景から分離してから分類できる。ライン速度を変えずに、流出率と過剰検出率の双方を引き下げられる。
新エネルギー企業が電極塗工を検査する場合を考える。塗工時に生じる黒点、スジ、箔の露出は形状が不規則でコントラストが低く、固定しきい値ではほとんど対応できない。多くの不良サンプルで訓練したAIソリューションは、高速巻取り中に不良位置と種類をリアルタイムでマーキングし、該当セグメントをスリット工程で直接排除できる。この場面でのAI外観検査の価値は、AOIを置き換えることではなく、AOIにできないことを補うことにある。
4. 選定基準と導入のアドバイス
第一に、検査タスクの種類を見極める。位置決め、測定、欠品判定だけであれば、従来のAOIで十分であり、AIは不要である。不良形状が不規則で、切替が頻繁で、誤検出率が高い状態が続くなら、AI外観検査を検討すべきである。
第二に、サンプルを取得できるかを見る。AIモデルはサンプルに依存する。不良率が極端に低く、数か月かけても不良画像を数百枚集められない場合は、データ拡張や異常検知が実現可能かを評価する。累計3,200以上の拠点で使われている異常検知ソリューションは良品サンプルのみで訓練でき、コールドスタートの場面に適している。
第三に、総保有コストを計算する。従来のAOIはソフトウェアライセンス費用が低いが、切替調整の人手コストが高い。AIソリューションは初期投資が高くなる場合があるが、切替が速く誤検出が少ないため、時間の経過とともにライン停止時間と再判定の工数が目に見えて減少する。15以上の業界、120社以上の顧客からのフィードバックでは、切替効率が最も多く挙げられた効果である。
第四に、一足飛びの解決を狙わない。まず1本のライン、1つのステーションでパイロットを行い、実際の生産データでモデルの安定性を検証してから、段階的に展開する。AI外観検査は導入した瞬間に完璧になるものではなく、難しいケースのサンプルとモデルの反復が必要である。
5. 展望と結論
第一の方向は、AIと従来のAOIの融合である。多くの検査装置はルールベースのアルゴリズムとAIモデルを併用するようになる。ルールが高速な位置決めと測定を担い、AIが不良分類と難しい判定を担う。両者は置き換えではなく補完の関係にある。
第二の方向は、小サンプルと自己学習である。切替はますます速くなり、そのたびに数千枚の画像にラベルを付けることは不可能である。業界は少数ショット学習と自己教師あり学習を進めており、数十枚のサンプルで新しい製品カテゴリに適応できるようにしつつある。
第三の方向は、エッジ展開とリアルタイム性である。AI外観検査は産業用PCからエッジコンピューティングボックスへ移行し、推論遅延はミリ秒単位にまで下がり、ラインのPLCに直接接続することで、検査と排除が一つのステップで完結する。
最初の問いに戻ろう。AI外観検査と従来のAOIは、どちらかがどちらかを置き換える関係ではなく、論理の異なる二つの検査アプローチである。ルールが機能する場面ではAOIがより速く安定し、ルールが機能しない場面ではAI外観検査が優れる。選定に当たっては、まず不良形状と切替頻度を見て、次にサンプルとデータ基盤を見て、最後に総コストを見る。この区別を明確にすれば、ライン検査の計画が誤った方向に進むことはない。