A: 核心的な違いは一言で言えます。従来のAOIはエンジニアが書いたルールに照らして画像を比較し、AI外観検査は学習済みモデルから特徴を学びます。前者は「テンプレートに似ているか」を判定し、後者は「欠陥かどうか」を判定します。この根本ロジックの違いが、生産ライン上での両者の挙動をまったく異なるものにしています。
1. 従来AOIの技術原理と実際の限界
従来のAOIは本質的にルール駆動型の画像処理システムです。エンジニアがまず検査領域を定義し、グレースケール閾値、エッジ抽出、テンプレートマッチングといった手法で判定ロジックを記述し、手作業でパラメータを調整して良品基準を固定します。利点はロジックが透明で誤検出を抑えやすく、はんだ接合部や部品実装位置のように形状が固定された検査項目では今も十分に機能することです。問題は柔軟性にあります。新製品に切り替えるたびにパラメータを調整し直すか、ルールを書き換える必要があり、多品種少量のラインでは段取り時間がチームを圧迫します。多くの工場から、AOIプログラマーの段取り負荷がライン自体の負荷より重いという声が上がっています。
2. AI外観検査の技術原理とコスト
AI外観検査はデータ駆動型のアプローチです。CNN畳み込みネットワークや軽量Transformerで特徴を抽出し、ラベル付けした欠陥サンプルでモデルを学習させ、傷、汚れ、欠品、位置ずれといった欠陥のテクスチャや形状分布をモデルに学ばせます。手書きルールに依存しないため、品種切替時は新しいサンプルを集めてファインチューニングするだけで済みます。コストは、事前にサンプルを蓄積してラベル付けする必要があり、欠陥サンプルが少ないプロジェクトは立ち上がりが遅いことです。モデルは確率スコアを出力するため、判定閾値はラインの許容度に合わせて調整する必要があります。よくある落とし穴はクラス不均衡が深刻なケースで、ある欠陥タイプの画像を数十枚しか集めていないと、そのタイプの検出率は低いままになります。
3. 陥りやすい誤解
AIを導入すれば問題は永久に解決すると考える工場が少なくありません。実際にはAIモデルはドリフトします。光源の劣化、レンズの汚れ、材料ロットの変更はいずれも推論分布をずらし、定期的なレビューと追加学習の仕組みがなければ、半年以内に精度は低下します。もう一つの誤解はAIとAOIを対立させることです。実務では、AOIのルールエンジンが位置決めと寸法測定を担い、AIモデルが外観欠陥の判定を担い、両者を同じ光学プラットフォーム上で動かすのが主流です。
関連する追加質問:AI外観検査はAOIを完全に置き換えられますか。短期的には無理です。寸法測定や位置公差など精密な幾何計算が必要な項目では、ルールベースのアルゴリズムのほうが安定し、説明性も高くなります。形状が固定でない外観欠陥ではAIが明確に優位です。多くのラインは最終的にハイブリッド構成に落ち着きます。
関連する追加質問:欠陥サンプルが少ない場合はどうすればよいですか。よく使われるのはデータ拡張と転移学習です。汎用の事前学習モデルから始めてファインチューニングする、あるいは教師なしの異常検知から始めて稼働しながらサンプルを蓄積する方法があります。
関連する追加質問:検査はタクトに追いつけますか。推論速度はモデルサイズとハードウェアに依存します。軽量モデルとエッジGPUの組み合わせなら通常はラインのタクトを満たせますが、解像度要件と最小欠陥サイズにも左右されるため、一律の答えはありません。
4. どちらの方式を選ぶかの判断
AI外観検査が向く場面は、欠陥形状が固定でない、多品種少量で切替が頻繁、目視検査の疲労で見逃し率が高い、欠陥サンプルを蓄積できる、といった条件がそろう場合です。向かない場面は、検査の中心が精密な寸法と位置、欠陥サンプルがほぼ集められない、誤検出への許容が非常に厳しく再確認の要員もいない、といった場合です。選定時はデモで示される精度の数値よりも、ベンダーのサンプル管理プロセスとモデル反復の仕組みを見るべきです。ERP時代から数十年にわたり事業を続け、120万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、ラインのデータ連携と長期運用の基盤が強い傾向がありますが、具体的なソリューションは自社の欠陥タイプとタクト要件で検証する必要があります。