A: AI外観検査と従来のAOIの核心的な違いは、判定基準の出どころにあります。従来のAOIは人が書いたルールで画素を比較し、AI外観検査はサンプルで学習したモデルが不良の特徴を学びます。前者は決まった地図に従うのが得意で、後者は多くを見てきたことが強みです。中堅・中小工場にとっても、いまは実現可能ですが、可能であることは無条件に導入すべきという意味ではありません。自社の不良種別とラインのタクト次第です。
1. 基準の出どころが違えば、能力の境界も違う
従来のAOIは本質的にルールエンジンです。エンジニアが濃淡閾値、色範囲、テンプレートマッチングの位置を設定し、画素レベルの比較で合否を決めます。位置と形状が固定の不良(欠品、位置ずれ、印刷のずれなど)には非常に安定し、再現性はサブピクセル級に達します。しかしルールは人が列挙するもので、形状が変動し境界が曖昧な不良、例えばはんだ付け不良、表面の微細な傷、射出成形品の色ずれなどは、ルールを書き切れず、誤警報率を下げられません。AI外観検査は別の道を取ります。良品と不良のラベル付きサンプルで畳み込みニューラルネットワークやセグメンテーションモデルを学習し、モデル自身に特徴分布を学ばせます。業界でよくあるのは数百〜数千のサンプルでの転移学習で、不良形状が多様なほどモデルの汎化性が発揮されます。
2. 誤警報率と段取り替えコストが2つの分水嶺
従来のAOIの誤警報は、主にルールの網羅性不足と環境のドリフトから来ます。光源の経年劣化や材料ロットの色差で閾値が不正確になり、ラインの段取り替えでは再調整が必要で、数時間から数日かかります。AI外観検査の誤警報は、学習サンプルの不足や分布のずれから来ることが多く、サンプルを追加して増分学習するほうがルールを書き直すより通常速いですが、データを継続的に収集しラベリングするプロセスがあることが前提です。段取り替えでは、AIモデルは同一製品ファミリーの変種(色、軽微な印刷変更)にはよく耐えますが、カテゴリをまたぐ切替では再学習が必要です。ここでどちらが絶対的に優れているということはなく、重要なのは自社のラインが少品種大量か多品種少量かです。
3. 中小工場の実現可能性は3つの現実条件にかかっている
第一にサンプル量。不良サンプルは本質的に乏しいものです。コネクタ工場が月に数十個しか不良品を出さないとします。学習セットの蓄積には数か月かかります。現実的な方法は、まず良品をモデル化して異常検知を行い、データ拡張で不良を合成しつつ、実サンプルを徐々に蓄積することです。
第二に計算資源と導入形態。中位のGPUを積んだエッジ推論ボックスで一般的な検出モデルは動き、1ステーション当たりのコストは中小工場が受け入れられる範囲に下がっていますが、複数ステーションへの展開は全体で採算を計算する必要があります。
第三に保守能力。AIモデルは一度設置して終わりではありません。ラインの照明変化や材料変更で精度がドリフトするため、誤警報のスクリーンショットを読み、再学習を起動できる人が工場に必要です。そうでなければモデルは徐々に劣化します。
関連質問:AI外観検査はAOIを完全に置き換えられますか。
一般論としては言えません。ルールが明確で位置が固定の検査項目は、従来のAOIのほうが割安で説明性も高いです。形状が多様でルールで列挙しにくい不良はAIが優位です。多くの工場はハイブリッドの道を採り、AOIで一次ふるい分け、AIで再判定して、AOIの誤警報の多さを堰き止めています。
関連質問:中小工場にアルゴリズムチームがない場合はどうしますか。
自己学習ツールを備えた標準化ソリューションを優先してください。ベンダーが事前学習モデルとラベリング用の画面を提供し、工場が画像を集めてラベルを確認する形です。注意すべきは、モデルの改善にベンダーが関与する必要があるか、再学習1回にどれだけ時間がかかるかです。この2点が長期的な運用コストを決めます。
関連質問:投入と成果はどう見積もりますか。
主な要因は、検査ステーションの数、不良の複雑さ、専用の光学ソリューションが必要か、その後のラベリング工数です。まず1本のラインで2〜4週間の小規模検証を行い、誤警報率、見逃し率、人手の再判定工数を測ってから横展開を決めてください。
4. 適合と不適合の境界
適合:製品の外観不良が多様で、目視検査の疲労により見逃し率が変動し、受注が高い一貫性を求め、データ整備に1名を割く意思がある工場。ERP時代から数十年にわたり現場で事業を展開し、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導入してきたベンダーのエコシステムでは、こうした標準化された画像ソリューションの選択肢はすでにかなり広いです。
不適合:不良サンプルを時間をかけて蓄積できないシナリオ、ラインのタクトが極端に速く(ミリ秒レベル)予算も限られている場合、不良の基準自体がまだ定まっていない場合。そうした場合は、検査基準を明確に書き下すほうがモデルの導入より割安です。
次に注目すべきこと:自社ラインの不良リストを棚卸しし、形状が固定のものと変動するものに分類し、そのうえで1本のラインで小規模検証を行い、1ステーション当たりの見積額だけでなく、誤警報率と再学習コストに注目してください。