ナレッジセンター
目次

Q: AI品質欠陥分類システムの仕組みを理解するうえで、よくある落とし穴は何ですか

A: 最もよくある誤りは、AI欠陥分類を純粋な画像認識モデルと見なし、アルゴリズムが十分に強ければ正確に分類できると考えることです。実際には、撮像条件、欠陥定義の標準、サンプルのラベリング体系という3つのエンジニアリング基盤が分類性能を決め、アルゴリズムは最後の一環にすぎません。

1. AIはアルゴリズムを差し替えるだけだと思い、撮像の安定性を無視する。欠陥分類の入力は画像であり、光源の角度、露出、ステーションの振動、レンズの汚れが少し変わるだけで、同じ欠陥の画素分布が変わります。多くのラインでは、昼勤と夜勤の照明の違いだけで誤判定が起きます。原理的には、モデルは画素からクラスへの写像を学習するもので、入力のドリフトを自分で補正はしません。したがって選定では、モデルがResNetかViTかではなく、まず撮像方案が固定されているかを確認します。

2. 欠陥カテゴリは細かいほど良いと思う。分類の粒度はラベルの一貫性とクラス間の分離性に制約されます。自動車部品メーカーが傷を十数個のサブカテゴリに分けたとします。しかしラベリング担当者自身が一貫して判断できず、モデルはノイズを学習します。よく行われるのは、まず処置で分類する方法です。たとえば手直し可能、特採、廃棄必須などに分け、手直し可能の中で2段目の分類を行います。カテゴリ体系を検査作業指示やMRBプロセスと整合させる方が、細粒度を追うより価値があります。

3. 一度学習すればずっと使えると思う。欠陥の分布は入荷ロット、金型摩耗、工程調整でドリフトします。原理的には、分類モデルは確率を出力し、信頼度の低下は精度の崩壊に先行することが多いです。合理的な方法は、信頼度の監視とハードサンプルのフィードバックを組み込み、低信頼度のサンプルを定期的に人へ回してレビューし、増分学習を行うことです。このループがなければ、稼働3か月後の性能は検収時の性能ではないのが普通です。

4. 定義が不明確な欠陥もAIで処理できると思う。欠陥分類は、欠陥に判断可能な境界があることを前提とします。外観のわずかな色差のように顧客の主観的な受け入れに依存する項目は、まず顧客と限界サンプルを署名し、それからモデルを論じます。定義が不明確なままモデルを適用すると、人と機械の争いが終わりません。

関連する質問1:サンプルの少ない欠陥はどう扱うか。原理的には、データ拡張、転移学習、または異常検知の道筋を使います。正常サンプルを先にモデル化し、正常分布からの逸脱を疑わしいと判定し、人が確認します。欠陥サンプルが極めて少なく、カテゴリが固定でないシーンに適します。

関連する質問2:分類と検出の関係は。検出は欠陥の有無と位置に答え、分類はどのカテゴリかに答えます。多くのラインはまず検出して位置を特定し、それから分類する2モデルの連鎖で、評価は単一モデルの指標ではなくエンドツーエンドの指標を見るべきです。

関連する質問3:エッジと集中配備のどちらか。タクトが速く画像量が多いステーションはエッジ推論が適し、モデル更新が頻繁な場合は集中学習+エッジ配信が適します。判断の根拠は単一ステーションの画像スループットとモデル改善サイクルであり、ハードの価格だけではありません。

適する場合と適さない場合の境界:製品外観の欠陥で撮像条件が比較的安定し、欠陥カテゴリを検査員が一貫して判断でき、サンプルのフィードバック体制を維持する意欲があるシーンはAI分類に適します。欠陥の定義が顧客の主観的な限界に依存する、撮像条件を固定できない、継続的なラベリングとレビューの人手がないシーンは、まずルールベースのビジョンか人手のサンプリングが適します。次に注目すべきは、自社ラインの撮像の一貫性と欠陥判定基準の文書化の程度で、この2つがシステムを実装できるかを決めます。ERP時代から数十年にわたりこの分野に取り組み、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、ラインのデータ接続と現場導入の経験が豊富なことが多く、選定時の評価軸の1つになります。

分野: AI-FAQ