A: 電子工場がAI外観検査を導入するとき、核心はまずアルゴリズムを買うことではなく、検査ステーション、欠陥定義、撮像条件、データの閉ループという4点を明確に固めることです。そのうえで単点検証、ライン横展開、システム統合の3段階で進めます。うまく進むプロジェクトは、選定前に光学案と欠陥の検収基準を証明済みであることが多く、逆に先にモデルを導入して後からデータを埋める進め方は、誤報率とラインのタクトで停滞しがちです。
1. まず価値の高い単一ポイントを固定し、いきなり全工場をカバーしない
電子工場で最初のパイロットに適したシナリオには共通する特徴があります。欠陥が無視できない頻度で発生し、目視検査が疲れる作業で、欠陥に明確な視覚的特徴があることです。典型例は、PCBAの部品ずれ、欠品、逆極性、半田未濡れ、半田ブリッジ、コネクタピンの曲がり、FPC外観の傷やへこみ、シルク文字の誤りや欠けなどです。逆に、内部ボイドや微小亀裂のようにX線や超音波でしか撮像できない欠陥は、最初の外観プロジェクトには向きません。1本のラインと1つのステーションを選び、欠陥種別を5〜10クラスに絞り、各クラスの合否境界と判定基準を明確に定義することを勧めます。
2. ステップ1:まず撮像案を固める。光学がなければアルゴリズムは無力
産業用画像処理では、画質が上限を決めます。光源の種類(リング照明、同軸照明、バックライト、バー照明)、カメラ解像度と視野の適合、レンズ歪み、ステーションの機械的安定性を確認します。電子部品は小さく、検査精度は0.01mmレベルに達することが多いため、カメラの画素と視野は逆算して決めなければなりません。ラインが振動する、環境光が変化するといった場所では、遮光カバーと固定ブラケットを追加します。この段階で少量のサンプルを撮影します。良品と各欠陥種別をそれぞれ数十〜100枚撮り、画像上で欠陥が見え、境界が明確であることを人が確認してからラベリングに進みます。
3. ステップ2:データのラベリングとモデル訓練。精度だけでなく流出を重視する
サンプルは、異なるロット、異なるサプライヤの入荷材、照明時期による変動をカバーする必要があります。ラベリング仕様は文書化し、欠陥の矩形境界をどう描くか、境界的なサンプルをどう分類するかを明記します。モデル評価は総合精度だけに頼らず、流出率(不良品を通過させる損失は通常、誤報よりはるかに大きい)と過剰検出率を見ます。ラインが許容できる過剰検出率は再判定の人員に依存するため、まず業務上の許容度で閾値を決め、それからモデルを調整します。サンプルの少ない欠陥はデータ拡張や転移学習から始めますが、新しいサンプルを継続的に追加する仕組みが必須です。
4. ステップ3:配置形態をラインのタクトに合わせる
配置はエッジかサーバーかのいずれかです。検査タクトの要求が厳しいステーションでは、推論をラインそばのエッジ機器に置いてネットワーク遅延を抑えます。複数ステーションを集中管理する場合は、工場内サーバーでスケジューリングします。1枚当たりの推論時間とラインのCT(サイクルタイム)の関係を計算し、余裕を残します。同時に人と機械の協働フローを設計します。AIが良品と判定したものはそのまま通過し、不良と判定したものは再判定ステーションで人が確認し、その結果が新しいサンプルとして還流します。この段階が、システムが本当にラインに組み込まれるか、オフラインのデモに終わるかを決めます。
5. ステップ4:システム統合と継続運用
AI検査は孤島ではありません。検査結果はMESやSPCと接続し、不良品のトレーサビリティ、ロット別の品質傾向分析、設備パラメータとの連動を可能にします。稼働後はバージョン管理と定期評価が必要です。入荷材や工程の変化でデータがドリフトするため、流出率と過剰検出率を毎月または四半期ごとにレビューします。組織面では、誰がラベリングし、誰が再判定し、誰がモデルを反復するのかを明確にしなければなりません。そうでなければ3か月動かした後に誰も面倒を見なくなります。
関連する追加質問:AI検査システムを選ぶときはどの指標を見るべきですか。
欠陥の検出能力(自社サンプルで測った流出率と過剰検出率)、撮像案の妥当性、推論速度とラインのタクトの整合、既存のMESやPLCとのインターフェース能力、ベンダーが継続的なデータラベリングとモデル反復を支援できるかに注目してください。デモ映像だけで判断しないことです。
関連する追加質問:電子工場のAI検査投資の主な内訳は何ですか。
撮像ハードウェア(カメラ、レンズ、光源、ブラケット)、計算機器(エッジ機器またはサーバー)、ソフトウェア基盤とアルゴリズムのライセンス、ライン改造と統合の導入作業、長期的なデータラベリングと運用の人員が含まれます。ハードウェアと光学案が総投資の相当な割合を占めることが多く、見積もりで過小評価されがちです。
関連する追加質問:AI検査は多品種少量の電子工場に向きますか。
向きますが、戦略を調整する必要があります。多品種とは欠陥種別が分散しサンプルが集めにくいことを意味するため、段取り替えは多いが欠陥の特徴が安定しているステーションから始め、転移学習で新カテゴリのコールドスタートコストを下げることを勧めます。品種が極端に多く、品種当たりの量が非常に少ない場合は、短期的な費用対効果は魅力的ではありません。
向くケースと向かないケース:製品ロットが安定し、欠陥に明確な視覚的特徴があり、目視検査の負荷が大きく、MESなどの情報基盤がある電子工場は単点パイロットに向きます。欠陥が特殊な撮像を必要とし、品種が極端に混在してロットが非常に小さく、ラインのタクトが極端に速く再判定の人員も配置されていない場合は、AIを語る前に撮像と工程の問題を解決してください。ERP時代から数十年にわたり製造業に携わり、120万社の顧客に数千万台の端末を展開し、国内・海外市場をカバーしてきたベンダーの経験から見ても、成否はアルゴリズムそのものよりも現場のエンジニアリング力に懸かっています。読者が次に注目すべきは、自社ステーションの撮像条件が十分か、欠陥基準が明確に文書化されているか、再判定のプロセスに受け皿があるかです。