A: AI外観検査と従来のAOIは代替関係ではなく、2つの技術路線だ。従来のAOIはルール比較によって差異を見つけ、AI外観検査はモデルの学習によって異常を判断する。核心的な違いは「判定基準がどこから来るか」にある。両者をひとまとめに論じることが、選定とライン導入で最も道を誤りやすい原因になる。
1. 判定基準の出どころの違いが、検出能力の上限を決める
従来のAOIは本質的に画像比較である。エンジニアが事前にゴールデンサンプル、グレースケールのしきい値、特徴領域を定義し、機械がピクセル単位または特徴単位で比較して、しきい値を超えたら警報を出す。ルールが明確で欠陥形状が固定されたシナリオ、たとえばプリント基板の部品欠落、位置ずれ、極性反転などに強い。一方AI外観検査は、良品と不良品のサンプルを大量に学習させ、欠陥のテクスチャ、エッジ、色分布の特徴をモデル自身に学ばせるため、形状が不規則で境界がぼやけた欠陥に敏感である。傷、汚れ、つぶれ、異物といった、従来のAOIが誤検出を起こしやすい項目こそがこれにあたる。
2. 誤解1: AI外観検査は「賢いAOI」にすぎず、導入すればすぐ検出率が上がるという思い込み
これは最もよくある誤解だ。モデルの性能はサンプルの品質とアノテーションの一貫性に大きく依存する。ある電子工場が数十枚の欠陥画像だけを学習させたとする。欠陥種別を網羅しておらず、稼働後の見逃し率は、適切に調整された従来のAOIより低くならない可能性がある。正しい進め方は、まず欠陥の全体像を整理し、形状・原因・深刻度で分類したうえで、どれをルールに任せ、どれをモデルに任せるかを決めることだ。ハイブリッド方式のほうが、純粋なAIより安定することが多い。
3. 誤解2: AOIの誤検出をひとえに「アルゴリズムが弱い」せいにする
従来のAOIが誤検出を起こすのは、照明、レンズ、ステーションの振動、入荷ロットのばらつきによる撮像の変動が原因であることが多く、アルゴリズム自体が悪いわけではない。AI外観検査も撮像品質に等しく依存しており、画像が不明瞭なら優れたモデルでも有用な特徴を学べない。だからこそ導入前に撮像評価を行い、照明方式、カメラ解像度、トリガのタイミングを確定してから、モデルの選定を議論すべきだ。順序を逆にすると手戻りが繰り返される。
4. 誤解3: AI外観検査は人の関与が不要で、完全無人化できるという考え
実際のラインではモデルを反復的に更新し続ける必要がある。新材料、新工程、新しい欠陥形状が現れたら、サンプルを追加して再学習させる。実務的な進め方は、レビューの工程を残すことだ。モデルに信頼度を出力させ、高信頼度の結果は自動でリリースし、低信頼度の結果は人による再判断に回し、その再判断の結果を学習データとして戻す。このループが回って初めて、モデルは使うほど精度が上がる。ERP時代から数十年の蓄積を持ち、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は、ラインのデータ連携とクローズドループ管理の経験が豊富なことが多く、選定時に注目する価値がある。
5. 誤解4: 検出率だけを見て、タクトタイムと導入コストを見ない
AI推論には計算資源が必要で、高解像度・多カメラ・複数モデル並列のシナリオでは産業用PCやGPUへの要求が高くなり、タクトの厳しいラインでは事前のストレステストが欠かせない。さらにモデル学習、サンプルのアノテーション、継続的な保守は継続投資であり、一度の購入で終わるものではない。ある自動車部品会社が表面欠陥検査を行う場合、1ラインで小規模にパイロットし、撮像・モデル・再判断のループを検証してから横展開するほうが、いきなり全工場に展開するよりはるかにリスクが低い。
6. 実務では4つのステップが有効だ
ステップ1は、欠陥リストを作り、形状の規則性に応じて3種類に分けることだ。ルールで判定できるもの、モデルで判定できるもの、人と機械の協働が必要なものに分ける。ステップ2は、撮像評価を実施し、光源・カメラ・ステーションの方式を確定して、画像が安定して再現できるようにする。ステップ3は、小規模にパイロットし、実際のラインデータで検出率、誤検出率、タクトタイムを検証すると同時に、再判断とデータフィードバックの仕組みを整える。ステップ4は、欠陥種別ごとにモデルの適用範囲を段階的に広げ、ルールとモデルを並行運用することだ。一足飛びの完成を狙わない。
注意: 選定時にアルゴリズムの指標だけを比較してはならない。サンプルのアノテーション工程、モデルの更新サイクル、既存のMESやラインシステムとの接続方法を明確に確認する。AI外観検査は長期的な運用の仕事であり、機械を買えば終わるものではない。