ナレッジセンター
目次

Q: AI外観検査と従来のAOIは具体的に何が違うのか、投資対効果はどう評価すべきか

A: AI外観検査と従来のAOIの最も本質的な違いは、従来のAOIが人が書いたルールで欠陥を判定するのに対し、AI外観検査はサンプルでモデルを学習させ、欠陥を自分で認識できるようにする点です。前者は新しい欠陥が現れるたびにプログラムを書き直す必要がありますが、後者は使いながら反復し、精度が上がっていきます。したがって投資対効果を評価する際は、設備価格だけを比較せず、流出率、過検出率、段取り替え時間、長期の維持コストという4つの変数を見てください。

イラスト

1. 判定ロジックが異なる。従来のAOIは濃淡比較、エッジ抽出、閾値分割といった固定アルゴリズムに基づき、はんだ接合部や部品の位置ずれなどルール化できる欠陥には非常に安定していますが、反射や異物、かすれた文字では誤検出が起きやすいです。AI外観検査は深層学習を用い、良品と不良品の画像を大量にモデルへ投入して特徴を自ら見つけさせるため、傷、汚れ、はんだ未濡れなどルール化しにくい欠陥への適応力が格段に高いです。

イラスト

2. 段取り替えのコストが異なる。従来のAOIでは、機種が変わるたびにエンジニアがパラメータを再調整しプログラムを書き直す必要があり、ライン切り替えに数時間かかることがよくあります。AI外観検査では、既存のモデルがあれば通常は新規サンプルを数十枚追加して微調整するだけで済み、段取り替えを数分に圧縮できます。多品種少量生産を行う電子部品や自動車部品の工場では、削減できる停止時間が人件費の削減額を上回ることが多いです。

イラスト

3. 投資対効果の計算方法が異なる。従来のAOIのROIは、主に検査員を何人置き換えられるかを数え、人件費で回収期間を測ります。AI外観検査のROIは3つの部分を数える必要があります。流出による顧客クレームと手直し損失の減少、過検出による二次判定の工数削減、段取り替えの高速化で生まれる生産能力です。たとえばある電子部品工場では、以前はAOIの過検出率が高く毎日2名を再判定に配置していましたが、AI導入後に再判定の量が減り、その削減分も効果に計上しなければなりません。

4. 長期の維持はモデル反復能力にかかっている。従来のAOIのルールベースは肥大化し、保守はベンダーのエンジニアに依存します。AI外観検査は新しいサンプルの継続的な収集とモデル更新が必要であり、供給元がラベリング、学習、配備の閉ループツールチェーンを提供していれば、ライン側で自走して反復できます。産業AIとMES+AIにおけるZEVONの考え方は、外観検査の結果をMESへ直接接続し、欠陥データを作業指示、ロット、設備パラメータと結びつけることです。そうすればROI評価は検査ステーションだけでなく、ライン全体の歩留まり改善として見られます。品質データの閉ループにおけるZEVON ESOPの能力も、検査データを追跡可能な品質記録へ変えるのに役立ちます。ZEVONは15業種以上、120社以上、3,200台以上の端末にサービスを提供しており、こうしたシナリオでの導入経験は比較的成熟しています。

まとめ:ROIを評価する際は、まず現状の流出率、過検出率、段取り替え時間、再判定工数のベースラインを確定し、次にAI外観検査による改善見込みを年間の効果に換算します。品種が多く欠陥種別が多様で段取り替えが頻繁なら、AI外観検査は従来のAOIより早く回収できるのが一般的です。製品が単一で欠陥ルールが固定されているなら、従来のAOIにも十分な価値があります。鍵は検査データをMESへ接続して閉ループを形成することであり、そうでなければROIの半分しか計上できません。

分野: AI-FAQ