SMT実装ラインの検査負荷はこの2年で明らかに高まっている。01005部品、03015チップスケールパッケージ、0.3ミリピッチのQFN、さらに両面混載やフレキシブル基板が加わり、ルール比較に頼る従来のAOIでは誤検出率を抑えるのが難しくなっている。そのためAI外観検査はSMT業界で最も注目される技術的方向の一つとなり、その核心的な論理は、人手で設定したしきい値を深層学習に置き換え、不良とは何かを機械自身に学習させることにある。
1. 中核となる概念と技術的定義
SMT実装検査におけるAIビジョンとは、畳み込みニューラルネットワーク(CNN)やTransformerといった深層学習モデルを用いて、実装後のPCB画像から不良を識別し分類することである。対象となる不良種類には、部品欠落、位置ずれ、トゥームストーン、部品の裏返り、極性の逆挿入、はんだ未溶着、はんだブリッジ、はんだ不足、はんだ過多、異物、リード浮きなどがある。
従来のAOIとの本質的な違いは、従来のAOIが階調しきい値、テンプレートマッチング、色抽出といった手動のルールに依存し、製品が変わるたびにパラメータを再調整する必要があるのに対し、AIビジョンはラベル付きサンプルでモデルを訓練してモデル自身が特徴を抽出し、切替時には少数のサンプルでファインチューニングして転移すればよい点にある。業界の主流ソリューションは通常、検査をリフロー前とリフロー後の二つのノードに分ける。リフロー前は実装不良を、リフロー後ははんだ付け不良を捉える。
2. 技術原理と主要な能力
完全なAI外観検査システムは、おおよそ四つの能力層を持つ。
第一層は撮像である。高解像度の産業用カメラと、多角度リング照明、同軸照明、ストライプ照明によって、はんだ接合部、リード、部品本体の三次元形状を鮮明に捉える。0201未満の部品は極めて高い光学分解能を要求し、通常は1画素5~10マイクロメートルが必要である。
第二層は位置決めと位置合わせである。従来のビジョンアルゴリズムがまず基準マークの位置決めとPCBの反り補正を行い、検査対象の画像を基準画像に合わせ込む。この段階が失敗すれば、その後のAIモデルがどれほど強力でも役に立たない。
第三層は不良の検出と分類である。ここがAIの真価が発揮される部分である。分類モデルが不良の有無と種類を判断し、セグメンテーションモデルが不良の画素レベルの位置を示す。SMTラインのタクトは速いため、モデルは軽量でなければならず、推論時間は通常数十ミリ秒に圧縮して、毎分数万点を実装する装置に追随する必要がある。
第四層はレビューと閉ループである。AIが一次判定を出した後、システムは信頼度で振り分ける。信頼度が高ければそのまま合格または警報、低ければ人手のレビューに回し、レビュー結果を戻して追加訓練に使う。このループが、稼働から3か月後にシステムがより正確になるか、ドリフトするかを決める。
主要な性能指標は三つある。検出率(または見逃し率)、誤検出率、過剰検出率である。SMT業界は一般に、見逃し率を極めて低く保つことを要求し、誤検出率はラインの直行率に直接影響するため、選定時に最も注意すべき指標となる。
3. 製造現場における典型的な適用場面
場面1:民生電子機器の受託製造会社のスマートフォン主板ライン。このラインは1日に5~6回切り替わり、01005からコネクタまでの部品を搭載する。従来のAOIは切替時に1~2時間の再プログラミングが必要だが、AIソリューションは少数の新規サンプルで転移学習を行い、切替を十数分に短縮する。リフロー前検査が実装ずれと部品欠落を、リフロー後検査が未溶着とブリッジを捉え、二つのデータセットを接続すれば、原因を実装機のノズルやフィーダの問題まで遡れる。
場面2:自動車部品会社のECU制御基板ラインを想定する。車載グレードの製品ははんだ信頼性に極めて高い要求があり、未溶着とはんだ不足は致命的な不良である。ここでのAIビジョンは3Dのはんだ接合部再構成とはんだ量評価に重点を置き、BGAやQFNの底面接合検査にはX線を組み合わせる。ラインは完全なトレーサビリティも要求するため、基板ごとの検査画像と判定結果をMESに保存し、SPCによる工程能力分析に用いなければならない。
場面3:医療電子機器会社のフレキシブル基板ライン。FPC基板は反りや変形が起きやすく、従来のAOIのテンプレートマッチングでは位置合わせに失敗することが多い。AIソリューションはセグメンテーションモデルでまず基板形状を補正してから不良を検出し、フレキシブル基板への適応性がはるかに高い。こうしたラインは多品種少量で、AIの転移能力はルールベースの方式より費用対効果が高い。
4. 選定基準と導入のアドバイス
第一に、検査ノードを明確に定義する。リフロー前とリフロー後では不良種類がまったく異なるため、一つのモデルで両方をカバーしようとしてはいけない。リフロー前は実装精度と部品の有無、リフロー後ははんだ接合部の品質に重点を置く。
第二に、検出率だけでなく誤検出率を見る。検出率はしきい値を下げれば水増しできるが、誤検出率が高くなると、ラインの作業者は習慣的に「無視」をクリックし、システムは飾りになる。選定時には自社の実基板でブラインドテストを行う。
第三に、モデルの反復方法を明確に確認する。切替のたびに新たなラベリングと訓練が必要なのか、少数サンプルのファインチューニングに対応しているのか。レビューデータが自動で戻る仕組みがあるか。これが長期的な保有コストを決める。
第四に、既存設備とのインターフェースを確認する。SMTラインには通常、AOI、SPI、実装機、リフロー炉がすでにあり、AI検査システムはこれらとデータを交換して閉ループを形成しなければならない。SMEMAインターフェースとIPC-CFXプロトコルを事前に確認する。
第五に、タクトを慎重に計算する。AIの推論がどれほど正確でも、ライン速度に追随できなければ役に立たない。基板1枚当たりの検査時間と、複数カメラ・複数ステーションでの並列能力を明確に確認する。
第六に、全面展開の前に小規模で検証する。1本のラインと1つの製品を選んでパイロットし、1~2か月運用して、誤検出率、見逃し率、人手レビュー量の実際の変化を観察してから、拡張するかを決める。
5. 展望と結論
第一の方向は3DとAIの融合である。従来の2D AOIは色と階調から未溶着とはんだ不足を判断するが、3Dプロファイラははんだ接合部の実際の高さと体積を提供する。両者を組み合わせれば、はんだ接合部の検査精度はさらに一段上がる。
第二の方向は、検査と工程の閉ループ化である。AI検査は不良基板を選別するだけでなく、不良データを実装機、印刷機、リフロー炉のパラメータに戻し、根本原因の分析とパラメータ補償に使うべきである。それこそがスマートマニュファクチャリングの真の要件である。
第三の方向は、エッジ配備と軽量化である。ラインのタクトは速くなり続けるため、モデルはエッジへ移り、NPU推論を使って中央サーバーへの依存を減らし、データを工場内に留める必要がある。
SMT実装検査におけるAIの採用は、もはや「やるかどうか」ではなく「どれだけ早くうまくやれるか」の問題である。ノードを正しく定め、誤検出率を注視し、データのループを築けば、ラインの直行率と人手レビュー量はともに目に見えて変わる。3,200以上の拠点、15以上の業界、120社以上の顧客での実践も、SMTの場面におけるAIビジョンが概念実証を過ぎ、今やエンジニアリングの細部を競う段階にあることを示している。