A: AI品質不良分類システムが機能するかは、7割がデータ基盤の堅牢さで決まり、アルゴリズム自体はほぼ標準的な部品です。その原理は結局、画像、信号、工程パラメータから、どの特徴がどの不良種別に対応するかをモデルに学習させることにあります。したがってデータは3つの条件を同時に満たす必要があります。不良が含まれていること、ラベルが付いていること、代表性があること。どれか1つが欠けると分類精度は崩れます。
1. まず不良サンプルを集める。良品画像を積み上げるだけでは足りない
生産ラインでは良品が大半を占めます。電子工場のSMTラインでは不良率が数千分の数にすぎないこともあります。良品画像だけで学習すると、モデルは不良の境界を学べません。実務的な方法は、不良種別ごとに層別して収集することです。傷、汚れ、欠品、位置ずれ、はんだ付け不良をそれぞれ別のグループにします。不良種別ごとの有効サンプルは一般に数百件から始まり、希少な不良はオーバーサンプリングやデータ拡張で補えますが、合成画像は実不良を完全には代替できません。サンプルは異なるロット、異なる作業ステーション、異なる照明条件をカバーする必要があり、そうでなければシフトが変わるだけでモデルが破綻します。
2. ラベルの分類体系は収集前に明確に定義する
不良分類のラベルは気軽に付けてよいものではありません。まず不良の分類体系を定義し、大分類、中分類、深刻度を分けます。例えば「外観不良」をさらに「傷」「打痕」「色ずれ」に分けます。ラベルは工程と品質のエンジニアが共同で確定し、境界となるサンプル画像を提示する必要があります。同じ画像に2人が異なる分類を付けたら、そのデータは学習セットにおけるノイズです。ダブルラベリングと抜き取りレビューを行い、一致度をKappa係数で測り、0.8未満の分類は基準をすり合わせてください。
3. 画像と信号の取得を標準化する
分類の原理は特徴の安定性に依存します。カメラの解像度、光源の角度、露光時間、撮影距離は作業標準に固定しなければなりません。自動車部品メーカーが鋳物の表面を検査するとします。同じ作業ステーションでレンズや光源を変えると、過去データの分布がずれます。データ基盤には取得パラメータのメタデータを含め、後工程でのドメイン適応を支える必要があります。産業現場では一般に、構造化照明やリング無影照明とグローバルシャッターカメラを組み合わせ、動きぶれを抑えます。振動や電流といった信号のシナリオでは、サンプリングレートとセンサーの取付位置を固定します。
4. 学習・検証・テストの分割は生産ラインの軸で行う
ランダムシャッフルで分割してはいけません。同じロットの類似画像が学習側とテスト側の両方に入り、指標が過大に出ます。正しい方法は、期間またはロットで分割することです。最初の3か月のデータで学習し、次の1か月で検証し、1本の生産ラインをライン横断テスト用に確保します。そうして初めて、実測精度が稼働後の実力に近づきます。データ基盤には、誤判定や見逃しの画像を重点的に集めたハードサンプルセットも保持し、改善に使います。
関連質問:データはどのくらいあれば足りますか。
決まった数はありません。不良カテゴリの数、クラス間差異、撮影の安定性が要求に影響します。カテゴリが多く、区別が細かいほど(サイズの異なる傷など)、必要サンプル数は掛け算で増えます。画像の枚数が目標に達したかではなく、検証指標が収束するかで判断してください。
関連質問:過去の不良データがない場合はどうしますか。
少サンプルと転移学習から始めます。汎用の画像事前学習モデルをベースにし、現場の数百枚の画像でファインチューニングします。並行して初期は目視レビューを併用し、レビュー結果を新たなラベルとして還元し、徐々に蓄積します。この方法は、ERP時代から数十年にわたり現場で事業を展開し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内市場と海外市場をカバーするベンダーのソリューションでも一般的です。本質は、コールドスタートのコストを端末の規模で分散させることにあります。
関連質問:データにプライバシーと権限の管理は必要ですか。
必要です。画像に作業ステーションの人物が写り込むことがあり、工程パラメータはレシピに関わります。データ基盤には階層化したアクセス権限と匿名化のプロセスを含めるべきで、特に複数工場のデータを集約して学習する場合は重要です。
適合と不適合の境界:製品ロットが安定し、不良種別を列挙でき、撮影条件を固定できるシナリオは適しています。電子組立、自動車部品の表面、射出成形品の外観などです。逆に、不良形状がきわめてランダムで、ロットが単品少量で、撮影環境を標準化できない場合は、データ基盤が安定しにくく、目視支援検査やルールベースの画像処理のほうが現実的です。次のステップは、自社の不良ラベルが1週間以内に整合できるか、取得パラメータを作業標準に書き込めるかを確認することです。この2点がデータ基盤の実力を決めます。