A: 核心的な違いは一文で言えます。従来のAOIは人が書いたルールで「どこに問題がありそうか」を判定し、AI外観検査はサンプルで学習したモデルで「正常とはどういう状態か」を判定します。前者はエンジニアの経験を閾値とロジックに変換し、後者は大量の良品画像と不良画像からモデル自身に特徴を学ばせます。この根本的な違いが、不良の網羅性、段取り替えの効率、誤判定率において両者の性能をまったく異なるものにしています。
1. 判定ロジック:ルール駆動とデータ駆動
従来のAOIは本質的に画像処理とルールエンジンです。エンジニアは検査点ごとにROI領域、濃淡閾値、エッジ位置、色範囲を定義し、それらを判定条件に組み合わせる必要があります。位置が固定でコントラストが高く形状が安定した不良、例えば欠品、位置ずれ、極性反転、文字の有無などは得意です。しかし形状が不規則な傷、汚れ、変色、微細なひび割れは、ルールで列挙しにくく、調整するほど複雑になっていきます。
AI外観検査は特徴量学習の路線を採ります。畳み込みニューラルネットワークなどのモデルを使い、ラベル付きサンプルから不良のテクスチャ、形状、文脈的な分布を学習するため、非剛体で低コントラスト、背景のノイズが多い不良にも余裕をもって対応できます。
要するに、ルールで明確に記述できるならAOIを使い、できなければAIに学ばせるということです。
2. 不良の網羅性と誤判定:何が見つかり、どれだけ誤報するか
従来のAOIの見逃しは、ルールがカバーしていない不良種別で多く発生し、誤判定は入荷ロットのばらつき、照明のドリフト、製品の色変化から生じます。現場でよくあるのは、閾値を調整して誤警報を抑える運用で、その結果として実際の不良まで一緒に抑え込んでしまうことです。
学習サンプルが対象をカバーしていれば、AI外観検査は微小な傷、異物、打痕、はんだ付け不良といった特徴の弱い不良の検出に強く、分類モデルによって「不良の疑い」と「真正の不良」を切り分け、過剰検出率を下げられます。ただし境界に注意が必要です。AIモデルの性能はサンプル品質とラベルの一貫性に大きく依存し、不良サンプルが乏しい場合やラベリング基準がばらつく場合は、成果が明確に割り引かれます。
要するに、AOIのボトルネックはルールを書き切れないことにあり、AIのボトルネックはサンプルを供給し切れないことにあります。
3. 段取り替えと導入:プログラムの書き換えと再学習
従来のAOIは品種を切り替える際、通常ROIを引き直し、閾値を再設定し、光源を再調整する必要があり、一連の作業に数時間から数日かかります。多品種少量ラインには大きな負担です。
AI外観検査はラインを切り替える際、新しいカテゴリの不良形状が既存モデルに近ければそのまま再利用でき、大きく異なる場合はサンプルを集めて再学習またはファインチューニングが必要で、期間はサンプリングとラベリングの速さに依存します。利点はモデルが転用・改善できることで、欠点は事前のデータ作業を省けないことです。
要するに、AOIの段取りはパラメータ調整に頼り、AIの段取りはデータ供給に頼ります。前者はその場での速さ、後者は再利用による速さです。
関連質問1:AI外観検査はAOIを完全に置き換えられますか。
多くのシナリオでは置き換えではなく役割分担です。位置、寸法、欠品といった幾何的に明確な項目は、ルールベースのアルゴリズムが安定し説明性も高いため、AOIを継続するほうが割安です。外観系で非剛体の不良はAIが担います。実際のラインでは、AIが外観の再判定を担い、AOIが幾何判定を担うハイブリッド構成がよく採られます。
関連質問2:AI外観検査の誤判定率はAOIより必ず低いですか。
そうとは限りません。誤判定率はサンプルの代表性、ラベリング基準、光源の安定性、モデルの閾値設定に依存します。サンプルが少なすぎたりラベリング基準が曖昧だったりすると、AIの誤判定がよく調整されたAOIより高くなることもあります。判断方法は、ベンダーが不良種別ごとの検出率と過剰検出率を提示できるかであり、曖昧な精度の数字1つではありません。
関連質問3:AI外観検査の導入で省けない投資は何ですか。
省けないのは撮像システム(光源、レンズ、カメラ)とデータ作業です。撮像が不安定ならどんなモデルでも救えません。継続的なサンプル収集とラベリングの仕組みがなければ、ラインの変化に伴ってモデルは徐々に機能しなくなります。計算資源とソフトウェアは比較的標準化された部分です。
適合と不適合の境界:製品の外観不良が多様で、ロットが多品種少量で、目視検査の負荷が高く一貫性が低いシナリオは、まずAI外観検査を検討する価値があります。不良定義が幾何的に明確で、入荷材がきわめて安定し、段取り替えが少ない旧ラインでは、従来のAOIのほうが価値が高くなります。判断では3点に注目してください。不良を明確に撮像できるか、過去の不良サンプルを蓄積できるか、ラインが継続的なデータ整備への投資を受け入れられるか。