A: 中核的な違いを一言で言えば、従来の AOI は人が書いたルールで「これは欠陥か」を判定し、AI 外観検査はサンプルで学習したモデルで「これは欠陥に見えるか」を判定します。前者は既知の欠陥に対して安定し、後者は未知で変動する欠陥への適応力が高いです。両者は互いの代替ではなく、適用できる境界が異なります。
1. 判定ロジックが異なる。従来の AOI はグレースケールのコントラスト、エッジ抽出、テンプレートマッチングといったルールアルゴリズムに基づき、エンジニアがしきい値と検査領域を事前に設定する必要があり、欠陥の見え方が変わればパラメータを再調整しなければなりません。AI 外観検査は深層学習の分類モデルやセグメンテーションモデルを使い、アノテーション済みサンプルから特徴を学習するため、傷、汚れ、変色のように見え方が不安定な欠陥への耐性が高いです。業界でよく話題になる「過剰検出率」と「見逃し率」は、従来の AOI では材料番号やロットが変わると目に見えて変動しますが、AI ソリューションはサンプルの網羅性が十分であればより安定します。
2. サンプルと計算資源への依存度が異なる。従来の AOI は稼働が速く、ルール一式をその日のうちに動かせますが、ルールの保守は長期的な人件費になります。AI 外観検査は事前に OK/NG サンプルの収集、アノテーション、学習、検証が必要で、通常は数百枚から千枚の有効な欠陥画像を要し、計算資源は GPU のエッジボックスや産業用 PC が一般的です。サンプルが足りない稀な欠陥では、むしろ AI は見逃しやすくなります。これはよくある誤解です。
3. 説明性と追跡性が異なる。従来の AOI の判定プロセスは透明で、パラメータを確認し再現できるため、工程標準が明確なシナリオに適します。AI モデルは信頼度スコアを出力するため、品質の追跡にはヒートマップ、信頼度しきい値、再判定の仕組みが必要です。ラインに導入する際は MES や SPC システムとのデータ統合を考慮しなければならず、そうでなければ歩留まり分析に穴が空きます。
4. 実際の事例。コネクタの外観検査を行うある電子機器工場では、従来の AOI はピンの位置ずれや欠品には安定していましたが、軽微な圧痕や異物を過剰に不良判定しがちでした。そこで既存の AOI の後段に AI 再判定工程を追加し、過剰判定された部品を再分類したところ、目視再検査の物量が目に見えて減りました。ある自動車部品メーカーが鋳造品の表面検査を行い、欠陥種類が多くサンプルの蓄積が少ないとします。いきなり AI に進むのはリスクが高く、より安全なのは、寸法と明らかな欠陥は従来の AOI で判定し、AI は曖昧なカテゴリのみを担い、段階的に稼働させる方法です。
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。多くのラインでは一律の切り替えは勧められません。ルールアルゴリズムは寸法測定、位置決め、文字認識において依然として費用対効果の高い選択肢であり、AI は形状が変動する外観欠陥を補完します。関連する追加質問:多品種少量のラインに適しますか。機種切り替えが頻繁な場合、従来の AOI はパラメータ調整のコストが高く、サンプル管理が追いつけば AI ソリューションが優位ですが、サンプルライブラリと版管理の仕組みが必要です。関連する追加質問:投資はどう判断しますか。主な要因は、欠陥サンプルの数、検査タクト、GPU ハードウェアの要否、既存ラインとのデータ統合の深さです。タクトが速く欠陥が曖昧なほど投資は大きくなります。
適合と不適合の境界:欠陥形状が固定され、工程標準が明確で、機種切り替えが少ないラインは、従来の AOI で十分に足ります。欠陥形状が変動し、過剰検出率が高く、目視再検査の負荷が大きいラインは、AI 外観検査に適しています。長期的に欠陥サンプルを蓄積できず、再判定のバックアップもないシナリオは、いきなり AI に進むべきではありません。選定時は、まず自社の欠陥サンプルライブラリと再判定プロセスが整っているかを確認し、その後にアルゴリズムを見てください。順序を逆にすると落とし穴にはまりやすくなります。