ナレッジセンター
目次

Q: 電子工場におけるAI検査の実際の適用シナリオは何か、またそれを動かしている技術原理は何か?

A: 核心は一言で言える。電子工場でAI検査が行うのは「人の目を深層学習モデルに置き換えて欠陥を判定する」ことだ。原理は2段階で、まず大量の良品・不良品の画像からモデルに欠陥の特徴を学ばせ、次にライン上でリアルタイムに推論と比較を行って判定を出力する。

以下では導入のステップに沿って分解するので、自社工場の状況と照らし合わせてほしい。

1. まず何を検査するかを明確にし、シナリオを撮像可能な欠陥種別に絞り込む

電子工場のAI検査は万能カメラではない。最初の一歩はシナリオを分解することだ。よくあるのは、SMT実装後の部品位置ずれ、部品欠落、極性反転、はんだの未濡れやブリッジ、FPCの傷や圧痕、コネクタのピン変形、筐体の印刷不良や表面の汚れなどである。これらの欠陥には共通の性質がある。いずれも特定の照明条件下で安定した画像として捉えられるということだ。あるPCBAの電子工場がまずリフロー後のAOIステーションに絞り、検査対象の欠陥を列挙し、種別ごとに判定基準を定義したとする。このステップがモデルを学習できるかどうかを決める。シナリオを絞らなければ、どんなモデルでも役に立たない。

2. 撮像環境を構築し、光学方式で欠陥を「見える」ようにする

モデルがどれだけ強くても、画像が不明瞭ならすべてが無駄になる。この部分は産業用カメラと光源の組み合わせに依存する。たとえば平面の傷には同軸照明、はんだ接合部に立体感を与えるには低角度リング照明、輪郭や欠落にはバックライトを使う。要点は、欠陥と背景の間にコントラストを作り、画像上で欠陥が安定したグレースケール差や色差を持つようにすることだ。コネクタのピンを検査するある電子工場では、テレセントリックレンズとバックライトの組み合わせでピン間隔と変形を安定して撮像でき、モデルに判断の根拠を与えた。撮像方式はAI検査の土台であり、土台が不安定ならすべてが崩れる。

3. 欠陥検出モデルを学習させる。主流は教師あり学習と教師なし学習の組み合わせ

原理のレベルでは、電子工場では物体検出やセグメンテーションに畳み込みニューラルネットワークを使うことが多い。欠陥の位置特定にはYOLO系、はんだ接合部のセグメンテーションにはU-Netの派生、さらに良否判定用の分類ネットワークを組み合わせる。実際には良品サンプルが不良品より圧倒的に多いため、データ拡張、転移学習、さらには教師なしの異常検知(特徴再構成方式など)を用いて少サンプルの欠陥をカバーするのが一般的だ。モデルが学ぶのは本質的に欠陥のテクスチャ、形状、グレースケール分布の特徴であり、人が書いたルールではない。学習後は検証セットで見逃し率と過検出率を確認する必要があり、この2つの指標がラインで使えるかどうかを直接決める。

4. ラインに配備してリアルタイム推論を行う。設備の動作とタクトに合わせる

学習済みモデルは道のりの半分にすぎず、本当に難しいのはラインに載せることだ。推論は産業用PCやエッジ計算機で動かし、1枚あたりの推論時間をラインのタクト内、たとえば数百ミリ秒レベルに収める必要がある。同時に、PLC、AOI装置、MESと信号で接続し、NG判定が警報、マーキング、仕分けの動作を引き起こせるようにする。ある電子工場がSMTのリフロー後ステーションに導入した際は、推論サービスをカメラの撮像と同期してトリガさせ、判定結果をそのままMESに返してトレーサビリティを確保した。このステップの核心はアルゴリズムそのものではなく、エンジニアリング統合の能力である。ラインのタクトに合わなければ、どれほど正確なモデルでもラインに載せられない。

5. 継続的に反復する。ラインから戻るデータでモデルを更新する

電子工場では材料、工程、ロットが変わり、モデルはドリフトする。そのためデータフィードバックの仕組みを組み込む必要がある。判断に迷った画像を戻し、人が再判断し、学習セットに追加し、定期的にモデルを微調整して版管理する。このステップが、AI検査が見逃し率と過検出率を長期にわたって維持できるかどうかを決める。反復の仕組みがないAI検査は、稼働から3か月でほころび始める。

注意: 最初から全欠陥のカバーを狙わないこと。欠陥種別が単一で撮像が安定したステーションをパイロットに選ぶ。見逃し率と過検出率は同時に見る。見逃し率だけを下げようとすると過検出が膨らみ、ラインは受け入れない。撮像方式の価値は過小評価されがちなので、光源とレンズで手を抜かないこと。まとめると、電子工場におけるAI検査の技術原理は、撮像、深層学習推論、ライン統合という3つがかみ合うことにある。どれか1つが欠ければ定着しない。

分野: AI-FAQ