A: 最も多い誤解は、AI欠陥分類を万能フィルターと見なし、カメラとモデルを載せれば自動的に正しい分類が得られると考えることです。実際の原理の連鎖は、撮像、ラベリング、特徴量抽出、分類判定、しきい値判定という五つの連結した段階であり、どれか一つが歪めば下流はすべて誤りになります。システムが使えるかどうかを本当に決めるのは、アルゴリズムの先進性ではなく、多くの場合AI以外の二つの要素、すなわち撮像の一貫性と欠陥定義です。
1. 誤解その一:教えていない欠陥もAIは理解できると思い込む
欠陥分類の本質は教師あり学習であり、モデルは訓練セットでラベル付けされたカテゴリしか知りません。ある電子工場が引っかき傷と汚れだけをラベル付けしたとします。へこみが現れると、最も近いクラスに割り当てられるか、高い信頼度で誤った答えを出します。正しい進め方は、未知またはその他というカテゴリを確保し、人手によるレビュー経路と組み合わせることです。関連する追加質問:新しい欠陥はどう追加するのか。通常は増分サンプルのフィードバックと小刻みなファインチューニングで行い、ゼロから再学習はしません。
2. 誤解その二:撮像段階を無視し、アルゴリズムで補えると期待する
現場では照明がドリフトし、レンズが汚れ、ワークの姿勢も変わるため、同じ欠陥でも画像間で濃淡差が大きく出ます。産業ビジョンの一般的な実務では、まず光源を選定し照明を検証して欠陥のコントラストを作り込み、そのうえでモデルを論じます。撮像のSN比が不足していれば、どんなネットワークでも救えません。判断基準は単純です。異なる時刻に撮影した同じ欠陥の画像は、人の目で見て同じに見えるかどうかです。
3. 誤解その三:分類の信頼度を品質の結論と取り違える
モデルが出力するsoftmax確率は相対的な分布であり、このバッチの合格率ではありません。欠陥分類では通常、しきい値戦略や、過検出と見逃しのコストのトレードオフを重ねます。例えば自動車部品では、見逃しのコストが過検出をはるかに上回るため、しきい値は敏感な側に寄せて調整します。関連する追加質問:精度指標はどう読むべきか。全体の正解率だけを見ず、クラス別の再現率と混同行列を見ます。特にサンプルの少ない欠陥クラスに注意します。
4. 誤解その四:一度のラベリングで永久に使えると思い込む
材料変更、工程調整、季節による温度ドリフトはいずれもデータ分布を変え、モデルの性能は徐々に劣化します。成熟した進め方は、サンプルのフィードバックと定期的な評価の仕組みを設け、固定した検証セットでクラス別の指標変化を監視することです。関連する追加質問:どのくらいの頻度で評価するのか。ラインの変化頻度によります。安定した工程なら四半期ごと、段取り替えの多いラインならより頻繁に行います。
5. 誤解その五:欠陥定義そのものの曖昧さを無視する
境界的な引っかき傷を欠陥と数えるのか、わずかな色差を不良とするのか。こうした定義がばらつくと、アノテーションの一致率は上がらず、モデルが学ぶのはノイズになります。業界では一般にKappa係数でアノテーションの一致度を測り、しきい値を下回るうちは学習に踏み切らないようにします。
適用範囲:欠陥形状が比較的固定され、撮像条件が制御でき、ラベリング人材が安定しているシナリオに適しています。欠陥定義が頻繁に変わり、撮像環境が極めて不安定で、欠陥サンプルが極端に少ない場合は、モデルを検討する前に撮像と標準の固めを行うべきです。この種のソリューションは、ERP時代から数十年にわたり深い専門性を蓄積し、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国内外の市場をカバーしてきたベンダーによるものですが、選定にあたっては自社ラインの撮像とラベリングの基盤が整っているかを確認すべきです。次に注目すべき点は、欠陥カテゴリの一覧が明確か、アノテーションの一致度を定量化できるか、撮像が安定しているかであり、この三点はアルゴリズムのパラメータを比較するより重要です。