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。従来のAOIは画像を人が設定したルールと比較し、AI外観検査はサンプルでモデルを学習させて不良特徴を獲得します。サプライヤー選定では、どのベンダーのアルゴリズム名がかっこいいかではなく、流出率、過剰検出率、段取り替え効率という三つを明確に説明できるかに注目してください。
1. 判定ロジックの違いが、見たことのない不良を扱えるかを決める
従来のAOIは本質的にルールエンジンです。エンジニアが輝度の閾値、色範囲、テンプレートマッチング領域を事前に設定し、画像が入ってくると項目ごとに比較し、閾値を超えたものがアラームになります。位置が固定で形状が安定した不良(部品欠落、位置ずれ、極性逆転など)には非常に安定しますが、半田のトゲ、異物、微細なクラックなど形状が変動する不良にはルールで網羅できず、流出が増えます。AI外観検査は特徴学習の路線をとり、OK/NGサンプルで分類モデルやセグメンテーションモデルを学習させるため、未見であっても特徴が類似した不良に対して一定の汎化性を持ちます。FPC外観検査を行うある電子工場では、フレキシブル基板の反りによる撮像差で従来AOIが頻繁に誤報を出していましたが、AIモデルに切り替え、反りサンプルを学習セットに含めたところ過剰検出率が明確に低下しました。こうした問題はルールの調整ではなかなか収束しません。
2. サプライヤーで最初に見る指標は、アルゴリズムのデモではなくサンプルエンジニアリング能力
AI外観検査の立ち上げ作業の七割はデータにあります。サプライヤーが公開データセットや実験室のサンプルだけでデモをするなら、何の証明にもなりません。確認すべきは、現場の撮像方案をどう定義するか(光源、レンズ、ワークステーションのタクトが整合するか)、不良サンプルのラベリングを誰が行うか、少数サンプルや良品サンプルをどう扱うか、モデル改善のサイクルはどれくらいか、です。従来のAOIサプライヤーは通常、設備の調整だけを担いますが、AIサプライヤーはサンプルの閉ループに伴走しなければなりません。ここが本質的な違いです。
関連質問: AI外観検査には常に大量の不良サンプルが必要ですか。
必ずしもそうではありません。よくあるのは、良品サンプルによる教師なし学習に少数の不良サンプルでのファインチューニングを組み合わせる方法や、データ拡張で増やす方法です。ただしサンプルの代表性は量よりも重要で、サプライヤーは自社ラインの不良分布をどうカバーするかを明確に説明できる必要があります。
3. 二つ目の指標は、段取り替えコストとライン適応性
従来のAOIは段取り替え時にルールを書き直しパラメータを再調整する必要があり、多品種少量ラインでは切り替え時間が隠れたコストになります。AIソリューションは通常、新カテゴリのサンプルを追加して再学習することで切り替え、所要時間はサンプル量と展開形態に依存します。サプライヤーは具体的な切り替えパスを示せる必要があります。新カテゴリ専用のモデルを作るのか、1つのモデルで複数カテゴリをカバーするのか、推論はエッジかサーバーか、ラインタクトに追従できるか。1本のラインで混流生産を行うある自動車部品メーカーでは、選定過程でサプライヤーに単一カテゴリの精度だけでなく、段取り替えの手順を現場で実演させました。
関連質問: AI外観検査にタクトの要件はありますか。
あります。推論時間、撮像の安定性、不良排出機構の応答がすべてタクトに整合する必要があります。高速ラインではエッジ展開の方が集中推論より安全で、サプライヤーは理論値ではなく実際のタクトで測定した処理能力のデータを提示すべきです。
4. 三つ目の指標は、説明可能性と運用保守の引き継ぎ
従来のAOIのアラームはどのルールが発火したかに遡れますが、AIモデルはブラックボックスで、現場のエンジニアは異常時に判断しづらくなります。サプライヤーは不良のヒートマップ、信頼度の出力、誤報サンプルをフィードバックする仕組みを提供し、モデル更新を誰が行うのか、現場の担当者が自分でラベリングしてフィードバックできるのかを明確にすべきです。こうした仕組みがなければ、稼働後に蓄積する誤報がシステムを使う意欲を削っていきます。
5. 従来のAOIとの共存を見落とさない
多くの工場は既存のAOI設備にAIの再判定やAIの補完を組み合わせます。サプライヤーはインターフェースの方式を明確に説明する必要があります。画像をどこから取得するのか、結果をMESへどう返すのか、既存AOIの判定と衝突した場合にどう扱うのか。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・海外市場をカバーするベンダーは、ラインシステム統合の経験が一般に充実していますが、画像検査の部分はやはり項目ごとに検証が必要です。
向く場合と向かない場合の境界: 不良形状が変動し、多品種少量で、目視検査の負担が大きいシナリオにはAI外観検査が適します。不良のルールが極端に固定され、単一品種で、タクトが非常に速いシナリオでは従来のAOIの方が費用対効果が高く、AIのためにAIを導入する必要はありません。選定の要点は一言です。サプライヤーに自社ラインのサンプルで流出と過剰検出のテストを実施させ、その上で段取り替えと運用保守をどう引き継ぐかを協議することです。