ナレッジセンター
目次

Q: AI外観検査と従来のAOIの実際の違いは何ですか?導入には通常どれくらいかかりますか?

A: 核心的な違いは「不良を検出できるか」ではなく「不良をどう定義するか」と「段取り替えにどれだけ適応できるか」にあります。従来のAOIは人が書いたルールと調整したパラメータに依存し、AI外観検査はサンプルで学習したモデルに依存します。導入期間では、従来のAOIの単機調整は通常数日から2~3週間、AI外観検査はデータ収集から安定稼働まで一般に4~12週間かかり、複雑な組立検査ではさらに長くなる場合があります。

1. 検査ロジックの違いが調整アプローチの違いを生む

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、エッジ位置、テンプレートマッチングの許容差を設定し、合否はこれらの固定的な条件で決まります。利点は判定が追跡可能でタクトが安定していること、欠点はルールで網羅しきれないことです。傷の深さのばらつき、反射の差、入荷材料バッチ間の色差は、いずれも人手によるパラメータ調整の繰り返しに頼らざるを得ません。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、非剛体の不良、コントラストの低い不良、背景テクスチャの干渉に対してより寛容です。代償はサンプル品質への依存で、サンプルがカバーしていないシナリオは依然として見逃されます。

2. 段取り替えコストが分水嶺

3Cや自動車部品の多品種少量ラインでは、従来のAOIは品番が変わるたびにテンプレートを作り直し、ROIと閾値を再設定する必要があり、調整工数は数時間から数日に及びます。AIソリューションは既存モデルの上で増分学習や少数サンプルのファインチューニングを行うため、段取り替えの調整を通常数十分から数時間に圧縮できますが、前提として新カテゴリの不良サンプルを収集できることが必要です。コネクタメーカーが1本のラインで品番を混流させる場合を想定します。従来のAOIは段取り替えの調整工数が継続的な費用になるのに対し、AI方式は初期の一時投資が大きく、後工程の限界コストは小さくなります。

3. 導入期間は実際に何で構成されるか

従来のAOIの期間が短いのは、作業量を現場調整に押し込んでいるからです。AI外観検査の期間が長いのは、撮像方案の検証(照明、レンズ、ワークステーションの機械的安定性)、不良サンプルの収集とラベリング、モデルの改善とライン受け入れという三つの段階があるためです。外観検査を行うある電子工場では、不良サンプルが十分で撮像が安定していれば4~6週間での稼働が可能です。不良率が低くサンプルが乏しい場合や、MESやPLCとのタクト連携が必要な場合は、8~12週間がより現実的です。期間に影響する主な要因は、不良種類の数、サンプルの入手性、撮像の難易度、ライン停止の時間枠であり、アルゴリズムそのものではありません。

関連質問: AI外観検査は常にAOIより高精度ですか。必ずしもそうではありません。ルールが明確で不良形状が固定されたシナリオでは、従来のAOIの安定性と一貫性の方が優れています。AIの優位性は、形状が変動し境界が曖昧でルールで記述しにくい不良に集中します。

関連質問: 旧ラインでソフトだけ入れ替えてハードは流用できますか。多くの場合できません。AIモデルの上限は撮像品質で決まり、光源とレンズが適合していなければどんなモデルでも救えません。撮像の改修は、期間の中で最も過小評価される部分であることが多いです。

関連質問: サンプルが少ない場合はどうしますか。よくあるのはデータ拡張と転移学習、あるいはまず異常検知などの教師なし手法で暫定運用し、NGサンプルを徐々に蓄積してから教師ありモデルへ移行する方法ですが、検証期間は長くなります。

向く場合と向かない場合: 不良形状が変動し、段取り替えが頻繁で、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。不良定義が明確で、タクトが極端に速く、判定の説明可能性への要求が非常に高いシナリオでは、従来のAOIが引き続き安全な選択です。次に注力すべきことを決めるには、まず自社の不良サンプルの在庫と撮像条件を棚卸ししてから期間を論じる方が、アルゴリズムを先に選ぶより実務的です。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てきたベンダーは、ラインのデータ接続と現場導入の経験蓄積が一般に豊富です。選定時には、撮像調整とサンプル管理におけるエンジニアリング能力に注目してください。

分野: AI-FAQ