ナレッジセンター
目次

Q: AI外観検査と従来のAOIの本当の違いは何で、AI外観検査にはどのようなデータ基盤が必要ですか?

A: AI外観検査と従来のAOIの核心的な違いは、従来のAOIが人が書いたルールで不良を判定するのに対し、AI外観検査はデータでモデルを学習させて不良を自ら見つけることです。簡単に言えば、AOIはマニュアルに照らして誤りを探し、AIビジョンは十分な例を見てから覚える、ということです。具体的な違いはいくつかの層で見えてきます。

1. 判定ロジックが違う。従来のAOIは、エンジニアが設定したグレーレベルの閾値、色のコントラスト、エッジアルゴリズムといった固定ルールに依存するため、反射、影、わずかな色差で過検出が起きやすくなります。AI外観検査は深層学習モデルを使い、良品と不良品の画像を大量に学習して欠陥の特徴を自動で獲得するため、複雑な背景、微小な傷、色むらに強く、過検出率と見逃し率は通常、目に見えて下がります。

イラスト

2. 柔軟な生産への対応力が違う。従来のAOIは品種切替のたびにパラメータを調整し直し、プログラムを書き換える必要があり、時間がかかります。AI外観検査は、新製品の欠陥サンプルを素早く追加して学習させれば、モデルが転移して認識できるため、多品種少量生産の電子部品や自動車部品の場面に適しています。例えば、ある電子工場のコネクタ外観検査ラインは、以前は新品番ごとにAOIの調整に半日かけていましたが、AIビジョンなら切替時間を30分未満に短縮できます。

3. 必要なデータ基盤が違う。従来のAOIはデータをほとんど必要とせず、標準的な画像が数枚あれば動きます。AI外観検査には3種類のデータが必要です。第一に、ロット、照明、ワークステーションの正常なばらつきをカバーできる数の良品画像。第二に、できればすべての欠陥種類をカバーし、ラベルが正確な不良画像。第三に、良品と不良の間で判断が曖昧な境界サンプルで、モデルのロバスト性を高めるために使います。一般に、各欠陥クラスには少なくとも数十枚から数百枚の有効なサンプルが必要で、データセット全体では数千枚から数万枚になります。

イラスト

4. 配備と保守が違う。従来のAOIの立ち上げはベテランの経験に依存しますが、AI外観検査はデータのループとモデルの反復に、より依存します。ラインで毎日生成される新しい画像を選別し、ラベルを付けて学習に戻せば、モデルは時間とともに精度が上がります。産業AIのデリバリーでZEVONは通常、モデルを配備する前にデータ収集とラベリングのプロセスを確立するよう助言し、アルゴリズムはあるがデータがないという状況を避けるようにしています。

5. MESやESOPとの連携が違う。従来のAOIは孤立した検査ステーションであることが多く、結果は手作業で記録されます。AI外観検査はMESと接続して、欠陥画像、判定結果、ロット情報を自動でアップロードでき、ESOPの電子作業指示と連携して、ある欠陥種類が頻発したときに対応する改善アクションをライン端末へ配信できます。ZEVONは15以上の業界で120社以上、3,200台以上の端末を手がけ、MES+AIの方向で相応のデリバリー経験を持ち、外観検査の結果を生産実行と作業ガイダンスに直接組み込むことができます。

まとめと提案:シナリオに明確なルールがあり欠陥種類が単一なら、従来のAOIで十分です。複雑な外観、多品種の切り替え、高い過検出率に悩むなら、AI外観検査を勧めます。ただしデータ基盤がしっかりしていることが条件です。少なくとも良品、不良、境界の画像を用意し、データのフィードバックとMES連携の経路を計画してください。産業AIとMES+AIにおけるZEVONの機能は、データ収集とモデル学習からライン全体のクローズドループまで、企業の回り道を減らします。

分野: AI-FAQ