A: AI外観検査と従来のAOIの核心的な違いは判定ロジックにあります。AOIは画素を人が書いたルールと比較し、AI外観検査はサンプルでモデルを学習させて不良を認識します。前者は「明確な正解がある」シナリオに強く、後者は「不良形状が多様でルールでは網羅できない」シナリオに強いです。ROI評価では、過剰検出率、再判定工数、段取り替え時間、流出リスクという四つの変数を考慮すべきで、設備の単価だけを比較してはいけません。
1. 判定メカニズムの違いが適用範囲を決める
従来のAOIは本質的に画像処理と閾値ルールです。エンジニアが輝度差、エッジ位置、色範囲を設定し、閾値を超えたものがアラームになります。半田の位置ずれ、部品欠落、文字のかすれなど、幾何的特徴が安定した不良には非常に有効です。ただしプログラミングはエンジニアの経験に依存し、ルールに書いた範囲しか検査できません。AI外観検査(一般にはCNNによる分類、物体検出、セグメンテーションモデル)はラベル付きサンプルから特徴を学習し、傷の深さがばらつく外観不良、異物の形状がランダムなケース、反射の干渉などを扱えます。代償として、十分な数の不良サンプルが必要で、モデルには「信頼度」という概念があるため、信頼度の低いサンプルは人による確認が必要です。
2. 過剰検出率と再判定工数がROIの最大項目
AOIが最も批判されるのは誤報であり、ラインには専任の再判定ステーションを置くことが多いです。電子工場のSMTラインでAOIの一発合格率が低く、毎日大量の誤報を人手で画像確認している場合を想定します。この工数コストとラインタクトの損失は、設備の減価償却費を上回ることがよくあります。AI外観検査の価値は主に誤報と再判定工数の削減にあります。評価では「1日あたりの再判定時間×人件費」を年換算し、モデル導入とサンプルラベリングの一時投資と比較します。ここでの重要パラメータは過剰検出率と流出率です。汎用のデモを見るのではなく、自社ラインの実サンプルでPOCを実施するようベンダーに求めてください。
3. 段取り替え時間とプログラミングコストが柔軟ラインの収益を左右する
従来のAOIは段取り替え時にルールを再調整しテンプレートを作り直す必要があり、段取り替えが頻繁な多品種少量ラインではプログラミング工数が隠れたコストになります。AIソリューションが少数サンプルでの転移や既存モデルライブラリの再利用に対応していれば、段取り替え時間を圧縮できます。評価では「月間段取り替え回数×1回あたりのプログラミング時間×時間単価」で年間削減額を見積もり、あわせてモデルの改善にベンダーの関与が必要か、ラベリング作業を誰が負担するかを明確に確認してください。
4. 流出リスクをどう定量化するか
流出による市場損失は業界によって大きく異なります。自動車部品や医療消耗品などのシナリオでは、1件の顧客クレームのコストが設備投資をはるかに超えることがあります。この部分は推測で済ませるべきではなく、過去のクレームデータや顧客の受け入れ基準(AQLサンプリング水準など)から許容できる流出率の上限を導き、ROI項目ではなく選定のハードルとして扱うのが望ましいです。
関連質問: AI外観検査の投資は何で構成されますか。
主に四つです。撮像ハードウェア(カメラ、レンズ、光源。照明方式が不良の見え方に大きく影響します)、演算プラットフォーム(産業用PCまたはエッジ推論デバイス)、ソフトウェアライセンスまたはモデルサービス料、そしてサンプルラベリングと現地調整の導入サービスです。ハードとソフトの比率は検査精度の要求に依存し、高精度のラインスキャンが必要なシナリオではハードの比率が明確に上がります。見落とされやすいのはラベリングと現地調整で、その工数は不良種類の数と強く相関します。
関連質問: AI外観検査が費用対効果に見合わないのはどんな場合ですか。
不良サンプルが極端に少ない、不良定義自体が曖昧、生産量が少なすぎてサンプルが蓄積できないといったシナリオでは、AIモデルを学習できず、従来のAOIのルール方式の方が信頼できます。また検査タクトが極端に速く、決定論的な判定が求められる場合、ルール方式の説明可能性はむしろ利点になります。
実務では、比較的安全な進め方があります。まず既存AOIの誤報データから痛点となるワークステーションを特定し、実際の不良サンプルで小規模なPOCを実施し、誤報率の低下と再判定時間の削減から回収期間を計算し、その上でライン全体の置き換えか、AOIの後にAI再判定工程を追加するかを決めます。このアプローチを支えるベンダーは、ERP時代から数十年にわたり現場で実績を積み、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展開し、国内・海外市場をカバーしており、ラインのデータインターフェースとMES統合の成熟度は選定の参考項目になります。
向くケース: 不良形状が多様で、誤報が明確な悩みとなっており、多品種で段取り替えが頻繁で、流出コストが高いラインです。向かないケース: 不良サンプルの蓄積が不十分で、タクトが極端な決定論を要求し、単一の大量品種でルールがすでに安定稼働しているラインです。次に注力すべき点は、ベンダーに自社の不良サンプルでブラインドテストを実施させ、デモ動画ではなく混同行列を見ることです。