A: AI品質欠陥分類システムの核心的な利点は、人が定義したルールをデータから学習した特徴で置き換え、欠陥判定をベテランの経験依存から再現可能なモデル推論へ移すことにあります。新製品や新しい欠陥種別に対して、適応の速さと一貫性が明らかに向上します。
1. 原理の違い:ルール照合か特徴学習か
従来の外観検査は本質的にルール駆動です。技術者がグレースケールの閾値、エッジの勾配、テンプレートマッチングの許容差を事前に設定し、欠陥判定は値が設定範囲を超えるかどうかに依存します。この論理は、傷、汚れ、欠品のように形状が安定した欠陥には機能しますが、入荷ロットが変わったり照明がドリフトしたり、定義されていない新しい欠陥が現れたりすると、誤判定率がすぐに上がり、パラメータを何度も調整し直す必要があります。
AI欠陥分類システムは別の道を取ります。主に畳み込みニューラルネットワークに基づく分類モデルは、ラベリングされた欠陥画像サンプルを入力とし、テクスチャ、輪郭、色分布といった特徴の組み合わせを自ら学習し、欠陥クラスの確率分布を出力します。現場でよくあるのは検出してから分類する二段階の方法です。まず物体検出モデルが疑わしい領域を特定し、次に分類モデルがそれが傷か、気泡か、異物か、良品かを判定します。近年は多くのベンダーがエッジに軽量モデルを配備し、1枚あたりの推論を数十ミリ秒台に収めてラインのサイクルタイムに合わせています。
2. 従来の方法に対する実務上の利点
1. 欠陥形状の変動に強い。従来のテンプレートマッチングは位置と回転に敏感ですが、データ拡張を用いて学習したAIモデルはわずかな位置ずれや角度変化に強いです。自動車部品企業の鋳物表面欠陥のように形状の変動が大きい場合、ルール方式では数十の分岐が必要になることが多く、モデル方式ならサンプルのカバレッジで足ります。
2. 段取り替えのコストが低い。従来の方法は品種が変わると閾値を再設定しテンプレートを作り直す必要がありますが、AIの方法は主に新しいサンプルを追加して増分学習やファインチューニングを行います。多品種少量を回す電子機器工場では、この差が停止時間に直接現れます。
3. 判定基準を固定できる。人手の目視は疲労や気分に左右され、シフト間で基準が揺らぐのは当然です。モデルはバージョンを固定すれば出力が一貫し、信頼度の閾値と組み合わせれば不確実なサンプルを自動で再判定に回せます。
4. データ資産が蓄積する。欠陥画像、分類結果、再判定記録が閉ループを形成し、後の欠陥トレーサビリティや工程改善の証拠になります。これはルール方式ではほとんど得られません。
3. 関連する補足の問い
関連する補足1:AI欠陥分類にはどれくらいのサンプルが必要か。決まった数はなく、クラス間の差と撮像の安定性によります。クラス間の差が大きく照明を制御できるシナリオなら、各クラス数百枚が実行可能な出発点です。細粒度の分類や希少な欠陥は千枚以上とデータ拡張が必要になることが多いです。既存の過去画像から始め、ラインに蓄積された古いデータを優先的に再利用するのが望ましいです。
関連する補足2:流出と過剰検出のバランスはどう取るか。信頼度の閾値を調整します。これは本質的に適合率と再現率のトレードオフです。実際には欠陥の結果の重大性で閾値を設定し、安全に関わる欠陥は厳しく、軽微な外観欠陥は緩めにし、再判定の経路を確保しておきます。
関連する補足3:モデルは時間とともに劣化するか。劣化します。データ分布のドリフトは現実に起こります。定期的なサンプルレビューとモデルのバージョン管理の仕組みを設け、材料変更、設備変更、工程ノードの変更後の性能変動に注目します。
4. 適用の境界
向くシナリオ:欠陥形状が目視で識別でき、過去データがある程度蓄積され、多品種の段取り替えが頻繁で、人手の目視基準がばらつくライン。向かないケース:欠陥サンプルが極端に少なく補充もできない、撮像条件が本質的に不安定(強い反射や大きな振動など)、欠陥判定が触感や内部構造に依存し表面画像では判断できない場合。これらはまず撮像とデータ取得を固めてからモデル選定を論じるべきです。導入すべきか判断するには三つに注目します。過去の欠陥画像の蓄積量、段取り替えの頻度、再判定工数のコスト比率です。