A: AI による品質欠陥分類システムが機能するかどうかを決めるのはアルゴリズムではなく、ラベリングが明確で、網羅性が十分で、ライン上の撮像条件と一致した欠陥画像データを保有しているかどうかである。そのデータがなければ、どれほど高度なモデルでもデモの段階にとどまる。
1. 画像データは三つの点で揃っていなければならない。画像があればよいわけではない
欠陥分類モデルの入力は産業用画像であり、データ基盤の第一層は実際のラインとの整合である。撮像条件の整合(同じステーション、同じ光源角度、同じレンズ焦点距離、同じ露出設定)、サンプル分布の整合(欠陥クラスの比率が実際の欠陥分布に近いこと。クラスごとに手作業で 500 枚ずつ用意するのではない)、ラベリング基準の整合(同じ欠陥をラベリング担当者間で一貫して判定すること。どの程度の長さの擦り傷を擦り傷とみなすか、どの程度のかすかな跡を汚れとみなすか)である。ある電子工場はこれを痛い目で学んだ。学習画像は明るいリング照明で撮影されていたが、生産ステーションは低角度のバー照明を使っており、同じ擦り傷がモデルの目には別の形に映り、誤判定率が目に見えて上昇した。これはモデルの能力の問題ではなく、データ取得計画が生産ステーションと結びついていなかったことによる問題である。
2. ラベリング済みデータは階層化すべきである。分類と位置特定では必要なものが違う
システムが欠陥のカテゴリだけを判定するのであれば、画像単位のラベル(この画像は擦り傷、異物、欠品)で足りる。欠陥の位置と面積まで出力する必要があるなら、バウンディングボックスか画素単位のセグメンテーションラベルが必要になり、ラベリングコストは何倍にもなる。一般的な進め方は階層的に構築することである。まず画像単位のラベルを蓄積して分類モデルを動かし、その後に発生頻度が高く損失の大きい欠陥カテゴリについて位置ラベルを追加する。ラベルの一致度は、通常は Cohen のカッパ係数やダブルチェックによる一致率で許容水準に達することが求められる。そうでなければラベルのノイズがそのままモデルの上限を下げてしまう。
3. 正常サンプルと境界サンプルが実用性を決める
欠陥画像だけを与えて学習させると、稼働後には正常なテクスチャや油汚れ、反射光まで欠陥として検出してしまう。データ基盤には十分な正常サンプルと、十分な境界サンプル(欠陥に見えるが欠陥ではないもの)を含める必要がある。これらは欠陥サンプルより不足しがちで、しかも誤検知率への影響が大きい。ある自動車部品メーカーが鋳造品の表面を検査する場合、引け巣とガス欠陥は見た目が似ており、紛らわしいサンプルがデータに十分なければ、分類部は決定境界を学ぶのに苦労する。
4. データ量は総枚数ではなくクラス内のばらつきで決まる
決まった画像枚数の基準は存在しない。クラス内で形状のばらつきが大きい場合(方向の異なる擦り傷、異なる材質上の汚れ)はより多くのサンプルが必要であり、形状が単一で撮像が安定している欠陥であれば少ないサンプルでも収束する。評価の際は、欠陥クラスごとの有効サンプル数、クラス間の混同の程度、ロット間の分布ドリフトに注目すべきで、画像の総枚数を一律に判断基準にしてはならない。材料変更、金型変更、光源変更の後にはデータ分布が変わるため、新しいサンプルを継続的に戻す仕組みが必要である。これも、このシステムが何年も使えるかどうかを左右する鍵である。
補足 1:学習データはどこから来るのか。主に三つの経路がある。ライン上で過去に発生した欠陥の保存画像、初期導入時の集中サンプリング、モデル稼働中に返ってくる誤判定データである。過去のデータはラベルが欠けていることが多く補完が必要であり、集中サンプリングはコストがかかるが制御しやすく、返却データは実際の分布に最も近く、逐次的な改善に最も適している。
補足 2:ラベリングにはどれくらいの人員が必要か。ラベリングの粒度による。画像単位の分類はハードルが低く、教育を受けたラインの検査員が担当できる。画素単位のセグメンテーションは専用ツールとレビュー工程が必要で、必要な人員は明らかに増える。まず少量の試行ラベリングを行い、1 枚当たりの作業時間を測って全体に外挿するとよい。
補足 3:データは複数のラインや複数の機種をカバーすべきか。ライン間で撮像条件が同一であれば一つのデータセットを共有できる。条件が異なる場合は、無理に統合するよりもステーションごとに別のデータセットを構築するほうが安全である。そうしなければモデルが学んだ特徴量が互いに干渉してしまう。
向いている場面と向かない場面:欠陥が目視で明らかで、撮像条件が固定され、不良サンプルが継続的に供給されるシナリオは、欠陥分類システムに適している。欠陥の定義自体が曖昧で、触感や内部構造に依存し、撮像条件が頻繁に変わり標準化が難しい場合は、モデルを論じる前に撮像と判定の基準を整えるべきである。自社の準備状況を判断する際に最初に棚卸しすべきは、アルゴリズムのベンダーではなく、ラベリング基準が一貫し、撮像条件がラインと一致した欠陥画像を保有しているかどうかである。それがシステム全体の基盤になる。