A: AI外観検査が電子部品工場で実際に稼働するには、中核となるデータ基盤は3点に集約できます。高品質な不良画像サンプル、構造化された製品と工程のコンテキスト、そして閉ループを形成できる追跡可能なリアルタイムの生産ラインデータです。どれか1つが欠けると、モデルは学習できないか、学習できても定着しません。具体的には、データ基盤は次の5つの側面から構築する必要があります。
1. 不良画像データは完全かつ正確でなければならない。電子部品工場のAI外観検査のシナリオ、例えばPCBのはんだ接合部検査、SMTの搭載ずれ、コネクタピンの欠陥、画面の傷や汚れの検出は、まず大量の正確にラベリングされた不良画像に依存します。必要なのは不良画像だけでなく、異なる照明、異なる角度、異なる材料ロットによる自然な違いをカバーする正常サンプルも必要です。電子部品工場が数十枚の不良画像だけで学習した場合、モデルは過学習しやすく、別のラインへ移した途端に機能しなくなります。したがってデータ基盤の第一層は、不良の種類、程度、工程ごとに分類され、継続的に更新される画像ライブラリです。

2. 製品と工程のコンテキストデータは不可欠。画像だけでは不十分で、AI外観検査はその画像がどの機種、どの工程、どのパラメータで作られたかを知る必要があります。例えばFPCフレキシブル基板を検査する電子部品工場では、品番ごとに金フィンガーの間隔も不良判定基準も異なります。そのためMESシステムが作業指示、品番、工程、設備パラメータといった構造化データを提供し、画像データと整合させる必要があります。電子製造業のお客様を支援する際、ZEVONは通常、MES+AI検査モジュールを生産ラインの作業指示と結びつけ、モデルが判定ルールを自動で切り替えるようにして、手作業のパラメータ調整を減らします。
3. リアルタイムのラインデータが閉ループを形成できること。AI外観検査はオフラインの採点ではなく、ラインのタクト内に推論を完了し、結果をPLC、排除機構、MESへフィードバックする必要があります。そのためデータ基盤には、カメラのトリガー信号、コンベア速度、設備状態、検査結果のタイムスタンプが含まれます。コネクタの全数検査を行う自動車部品系電子会社の例では、検査結果をリアルタイムに返せなければ、不良品が次の工程へ流れてしまいます。したがってデータの連鎖は「収集、推論、判定、実行、記録」のループ全体をつなぐ必要があります。

4. ラベリングと改善の仕組みが持続可能であること。電子部品工場は品種切替が頻繁で、新しい不良も次々に現れます。データ基盤には運用可能なラベリングと再学習のプロセスが必要で、ラインで新しい不良が見つかった際に、素早く撮影し、ラベリングし、学習セットに追加し、モデル更新を検証できるようにします。産業AIの実践においてZEVONは、検査データを統一プラットフォームに蓄積し、「使うほど精度が上がる」循環を形成することを支援しています。3,200台以上の端末と120社以上(15以上の業種)のお客様での実践から、継続的な改善の仕組みがなければ、AI外観検査の精度は3か月後に低下することが分かっています。ラインが変わっているからです。
5. データガバナンスとコンプライアンスを優先すること。電子部品工場は複数の拠点やラインを持ち、データの形式、命名、保存方法が統一されていないことがよくあります。データ基盤には統一されたメタデータ標準、権限管理、監査の追跡可能性も含まれます。特に顧客の図面や工程の秘密が関わる場合、データを工場外へ出してはなりません。ZEVONのMES+AIソリューションはエッジ側の推論とローカルでのデータ保持に対応し、検査のリアルタイム性と電子部品工場のデータセキュリティ要件の両方を満たします。
まとめとご提案:AI外観検査を導入する前に、電子部品工場はモデルの選定に急ぐのではなく、まず次の5種類のデータが揃っているかを確認してください。不良画像、製品と工程のコンテキスト、リアルタイムのライン信号、ラベリングと改善のプロセス、データガバナンスのルールです。不足が多い場合は、1本のラインと1つの不良種類から始め、ZEVONのようにMES+AIの機能を持つプラットフォームでデータのループを回し、その後徐々にシナリオを広げてください。データ基盤が確実になれば、AI外観検査は目視検査を本当に代替し、直行率を着実に高められます。