ナレッジセンター
目次

SMT実装検査におけるAIビジョン

SMT実装検査におけるAIビジョンは、主にリフロー前後の外観不良の判定を担い、産業用カメラとディープラーニングアルゴリズムで人手の目視検査を置き換え、または支援し、位置ずれ、はんだ不足、ブリッジ、マンハッタン、部品欠落といった一般的な不良を自動で認識し分類します。SPIのはんだペースト検査やAOIの電気的テストを置き換えることはできませんが、実装の外観整合性の判定については、すでに従来のほとんどの部品種をカバーしています。

1. AIビジョンはSMT実装検査で何を解決するのか

SMTラインの検査点は通常3つの段階に分かれます。印刷後のSPI、実装後のリフロー前AOI、リフローはんだ付け後のリフロー後AOIです。AIビジョンは主にAOIの段階に入り、従来のルールアルゴリズムでは扱えない、不良に見えるが不良ではない判定を解決します。例えば部品本体のマーキング色がパッドに近い、FPCフレキ基板上の部品がリード部でわずかに浮く、0201部品が振動でわずかにずれる、といった場合に、従来の濃淡比較やテンプレートマッチングは誤判定しやすいです。AIビジョンは学習サンプルから不良特徴の分布を学び、流出を許容範囲に保ちながら誤判定率を下げます。電気性能を測るものでも、はんだペーストの厚みを管理するものでもなく、それはSPIとICTの役割です。

2. AIビジョン検査の技術原理と主要能力は何か

ハードウェア面の中核は産業用カメラと照明です。リフロー後AOIは一般に500万〜1200万画素のエリアセンサカメラを使い、解像度は0402部品のはんだフィレットの立ち上がりが見える必要があり、通常1画素10マイクロメートル未満の精度が要求されます。照明は主に多角度のRGBリング照明やドーム照明で、はんだ接合部に安定した反射の特徴を与えます。アルゴリズム面は2つのステップで、まず部品の位置決めとROIの抽出、次にCNNの分類ネットワークによる不良判定です。主要指標には、検査のサイクルタイム(通常は実装機に追随する必要があり、1枚あたり数秒台の検査)、誤判定率(業界の優れた水準では数千個に数個)、不良分類の精度があります。通信ではSMEMAインターフェースがライン連動に使われることが多く、データ面ではOPC-UAやMQTTでMESへ接続し、基板ごとの検査結果、不良座標、画像アーカイブをアップロードします。一部のソリューションはIPC-A-610の外観受入基準を判定閾値設定の参考にします。

3. 製造業にはどのような典型的なAIビジョンの適用例があるか

部品密度の高い民生用メイン基板を製造する電子機器工場では、リフロー後AOIステーションで人手のレビューを行い、昼勤と夜勤で判定基準が異なっていました。AIビジョンの採用後、高頻度の3つの不良クラス(位置ずれ、マンハッタン、部品欠落)はモデルが判定し、作業者はモデルの信頼度が低い難しい基板だけを扱うため、レビュー量が目に見えて減りました。はんだ接合部の整合性要件が厳しい車載制御基板を製造する自動車部品企業を想定します。AIビジョンをSPIデータと組み合わせて接合部を総合判定し、リフロー前にブリッジやはんだ不足を捉え、リフロー後の手直しコストを下げます。もう1つのケースはFPCフレキ基板の実装で、基板が伸縮するためテンプレートマッチングが合いません。AIビジョンは特徴点の位置合わせと不良分類を使い、ある程度の変形を許容します。これらのケースに共通するのは、部品種が比較的安定し、入荷ロットの安定性が許容範囲で、不良サンプルを蓄積できることです。

4. AIビジョン検査の選定と導入で注意すべき点

よくある質問はいくつかの方向に集まります。ハードウェア構成では、カメラの解像度は高ければよいわけではなく、最小部品サイズと視野に合わせる必要があり、広い視野で高い解像度はサイクルタイムを食うため、バランスが要ります。光源の選択ははんだ接合部の反射特性に従い、鉛フリーのはんだは鉛入りより明るいため、光の角度を調整しなければなりません。統合では、新規ラインはSMEMAとOPC-UAに対応した設備を選ぶのが一般的で、旧ラインの改造は既存AOIがデータインターフェースを公開しているか次第です。公開していなければバイパス検査しかできません。導入の手順は通常、実基板の画像を一定量取得して不良をラベリングし、初期モデルを学習し、ラインで一定期間動かして誤判定をレビューしながらモデルを反復する流れで、調整期間は不良クラス数に応じて数週間から1か月以上です。コストはカメラと照明のハードウェア、アルゴリズムのライセンス、導入と調整のサービスで、アルゴリズムのライセンスはベンダーによってライン単位や点単位の課金があるため、選定時に明確に確認してください。よくある誤りは、AIビジョンを入れれば誤判定ゼロになると期待することです。実際には新たなサンプルの継続供給が必要で、材料番号が変わったり入荷ロットが変動したりするたびにモデルの性能を再評価しなければなりません。さらに、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・海外市場をカバーしてきたサービス提供者は、ラインのデータ統合と長期運用の経験を蓄積していることが多く、選定における有用な判断軸の1つです。

5. どの工程がAIビジョン検査に向き、どのシーンが向かないか

向くシーンは、部品種が比較的固定され、生産が中〜大量で、不良サンプルを蓄積でき、サイクル要件が極端に厳しくないリフロー後AOIステーション、SPIと組み合わせて接合部を総合判定するリフロー前検査、FPCなどわずかな変形はあるが特徴が安定した基板の実装外観検査です。向かないシーンは、多品種少量でロットごとの差が非常に大きくモデルの反復が追いつかない柔軟ライン、強い反射の鏡面部品や歪みの大きいワークで撮像の安定性が足りない場合、電気性能やはんだ内部品質の測定が必要な段階(それはICTとX線の領域)です。さらに、ラインのタクトが1秒未満で追加の停止が許されない場合は、AI推論の時間が追随するかを評価し、必要に応じてエッジ計算で加速します。境界判断の中核は、不良定義が明確か、撮像が制御できるか、サンプルを蓄積できるかであり、3つのうち2つが満たされればAIビジョンの採用は相応に安全です。

分野: AI画像認識百科