ナレッジセンター
目次

Q: AI外観検査と従来のAOIの実際の違いは何か、またAI外観検査を導入するにはどのようなデータ基盤が必要か?

A: 核心的な違いは一言で言える。従来のAOIは人が書いたルールで欠陥を判定し、AI外観検査はデータで学習したモデルで欠陥を認識する。ルールは固定であり、モデルは学習する。このことが、柔軟性、立ち上げコスト、データ要件において両者がまったく異なることを決めている。

1. 判定ロジックの違いが、それぞれ何の仕事ができるかを決める

従来のAOIは本質的に、画像比較にしきい値ルールを組み合わせたシステムである。エンジニアがグレースケール差、エッジ位置、面積の大きさなどのパラメータを事前に設定し、それを超えたら警報を出す。位置が固定され欠陥形状が安定したシナリオ、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。しかし機種が変わったり、照明が変動したり、欠陥形状が変わったりすると、パラメータを再調整する必要があり、その調整工数は往々にして過小評価される。AI外観検査は別の道を行く。アノテーション済みの欠陥サンプルで検出モデルを学習させ、欠陥がどのような見え方をするかをモデルに学ばせる。従来のAOIが誤検出や見逃しを起こしやすいシナリオ、すなわち深さの異なる傷、不規則な形状の異物、わずかにかすれた文字などでは、AIモデルの汎化能力が明らかに高い。その代償はサンプルが必要なことであり、サンプルの品質がモデルの上限を直接決める。

2. データ基盤が分水嶺であり、3点に注目する

AI外観検査の導入は、データ準備のハードルを避けて通れない。注目すべきは3つだ。第一に欠陥サンプルの量と網羅性で、欠陥種別ごとに異なる形状のサンプルが十分にあることが望ましく、長尾の欠陥も少なくても含めなければならない。含めなければ、モデルは見たことのないものを認識できない。第二にアノテーションの品質で、欠陥の枠が正確に描かれているか、カテゴリの定義が明確かが、モデルが正しく学べるかを直接左右するため、アノテーションの基準を事前に確定しておく必要がある。第三に正常サンプルの規模で、異なるロットや照明条件をカバーする良品サンプルが十分にあり、「何がOKか」という基準をモデルが確立できるようにしなければならない。ある電子工場がはんだ接合部の欠陥検出を望むとして、数十枚の欠陥画像だけで安定したモデルができると期待するのはほぼ非現実的だ。従来のAOIはこれらを一切必要とせず、ルールを正しく設定するだけでよい。AIは「経験」を「データ」に変えることを求める。

3. 導入と保守の進め方が異なる

従来のAOIは立ち上がりが速い。ルールを調整すれば動くが、その後の段取り替えの保守は工程を理解したエンジニアに依存する。AI外観検査は、事前にデータ収集、アノテーション、学習、検証のサイクルを回すため立ち上がりは遅いが、モデルが安定すれば段取り替えは少数の新規サンプルで微調整すればよく、現場のパラメータ調整への依存が減る。ただしAIは一度で解決するものではない。ラインの材料や光源の経年変化によってデータドリフトが起きるため、継続的なサンプリングとモデル更新の仕組みが必要だ。

4. 選定の助言

まず欠陥形状が規則的かどうか、機種切替の頻度がどれくらいかで判断する。欠陥形状が安定しルールを記述しやすいところでは従来のAOIのほうが費用対効果が高い。欠陥形状が多様でルールを書き切れず、誤検出と見逃しを下げられないところではAI外観検査を優先する。データ基盤については、まず既存の欠陥サンプルを棚卸しし、アノテーション基準とデータ収集の工程を整えてから、モデルの選定を議論する。順序を逆にしないこと。ベンダーについては、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、国内と海外の両市場をカバーしてきたソリューションプロバイダーは、ラインのデータガバナンスとシステム統合の経験が豊富なことが多く、評価の参考になる。

分野: AI-FAQ