A: AI 画像検査と従来の AOI の核心的な違いは判定ロジックにあります。AOI は手作業で定義したルールとの比較に依存し、AI 画像検査はサンプルで学習したモデルによる欠陥の認識に依存します。前者は既知の不良しか捉えられず、後者は未知の欠陥もカバーできるため、導入の進め方はまったく異なります。AOI はパラメータを調整し閾値を設定する作業であり、AI 画像検査はデータを収集しモデルを学習させ、稼働後に反復する作業です。
1. 判定の仕組みが違えば、出発点も違う
従来の AOI は、グレースケール比較、テンプレートマッチング、エッジ抽出といったルールベースのアルゴリズムに基づきます。エンジニアが良品の画像特徴を判定条件として記述し、閾値を超えるとアラームを出します。出発点は基準を明確に書くことで、難しさは照明と閾値の調整にあります。AI 画像検査は畳み込みニューラルネットワークなどのモデルで大量のラベル付きサンプルから特徴分布を学習し、出発点は十分なサンプルの蓄積です。電子工場の PCBA のはんだ接合部の検査では、欠陥の種類ごとに通常数百から千枚のラベル付き画像が必要で、サンプルが不足するとモデルの汎化性能が目に見えて落ちます。つまり AOI のソリューションは納品が速いものの変更に弱く、AI のソリューションは事前準備が重いものの、機種変更や欠陥種別の追加には柔軟です。
2. 選定では技術の新しさではなく欠陥の特徴を見る
ルールが明確で欠陥の形状が固定され、コントラストが高いシナリオ、たとえば印刷文字の欠け、ラベルの位置ずれ、孔径の公差外れなどでは、従来の AOI のほうが費用対効果が高く、調整期間も短く、説明可能性も高いです。誤判定が生じてもルールまで直接たどれます。欠陥の形状が変化し、背景のテクスチャが複雑で、人でも明確に言葉にできないシナリオ、たとえば鋳物の表面の気孔、布地の欠点、リチウム電池電極の塗布ムラなどでは、ルールベースのアルゴリズムでは網羅しきれず、AI のソリューションのほうが適合します。評価の際は3つを自問してください。その欠陥を1文で正確に説明できるか。同じ欠陥種別の中で形状のばらつきはどれくらいか。段取り替えの頻度はどれくらいか。最初の2つの答えが「説明できない」「ばらつきが大きい」に傾くなら AI を選んでください。
3. 評価の軸は検証可能な指標に落とす
ソリューションを検討する際は、いくつかのパラメータに注目します。見逃し率と過剰棄却率は分けて議論する必要があります。AOI のベンダーは過剰棄却率の低さを強調し、見逃し率を隠すことがよくあるためです。モデルの学習に必要なサンプル数、ラベリングは誰が行い、追加サンプルはどう戻すか。1枚あたりの推論時間がラインのタクトに追いつくか(GPU が必要かどうかを直接左右します)。段取り替え時にラベルを付け直して再学習する時間コスト。自動車部品メーカーがブレーキパッドの表面を検査し、タクトが1枚あたり数百ミリ秒だとします。オフラインの精度だけを見るのではなく、推論の遅延とカメラのトリガー同期の方式を確認しなければなりません。
4. 導入の進め方では、両者は共存できる
多くの工場は、まずルールで扱える範囲を AOI に任せ、AOI が繰り返し誤判定する欠陥やルールで表現できない欠陥のサンプルを蓄積して AI モデルに渡し、ルール+モデルのハイブリッド判定を形成します。この段階的な進め方はラインへの変更が少なく、AI による実際の効果を検証しやすいです。
関連する質問:AI 画像検査は常に AOI より高精度ですか。そうとは限りません。欠陥の定義が明確でサンプルが十分なシナリオでは両者は接近し、AI の優位は形状が変化する欠陥で主に現れます。ルールで足りるシナリオに無理に AI を導入すると、かえってラベリングと保守の負担が増えます。
関連する質問:AI 画像検査の導入で最大の落とし穴はどこですか。多くのプロジェクトはアルゴリズムではなくサンプルとラベリングで停滞します。欠陥サンプルの不足とラベリング基準の不統一は、モデルの性能を直接損ないます。欠陥の分類基準とラベリングの仕様を事前に確定させてください。
関連する質問:旧式の AOI 設備を AI にアップグレードできますか。元の光学プラットフォームとカメラの上に AI 判定モジュールを追加できるベンダーもありますが、設備が画像データのインターフェースを公開しているかによります。閉じたシステムは多くの場合、全面的な入れ替えしかできません。
向いている場合と向かない場合:欠陥の形状が変化し、サンプルを蓄積でき、段取り替えが比較的頻繁なシナリオは AI の路線に適しています。欠陥のルールが明確で、ロットが安定し、説明可能性への要求が非常に高いシナリオは、従来の AOI のほうが適しています。企業が次に注目すべきは、手元の欠陥サンプルが十分か、ラベリングの能力があるかであり、アルゴリズム名の比較ではありません。ERP 時代から数十年、120万社の顧客、数千万台の端末配備という蓄積は通常、こうしたラインデータの接続における経験が多いことを意味し、選定時の背景として参考になります。