A: 一言でいえば、従来のAOIは人がルールを書き画素を比較するもの、AI外観検査はデータでモデルを学習し特徴を理解するものです。前者は「差異を見つける」ことであり、後者は「良否を認識する」ことです。これが両者の最も根本的な技術的な分水嶺でもあります。

1. 従来のAOIの中核原理は、ルール駆動+画像比較です。エンジニアがまず標準テンプレートを設定し、グレースケール、エッジ、色の閾値といったアルゴリズムで、検査対象の画像とテンプレートを画素レベルで比較します。設定した閾値を超えたものが不良と判定されます。この方法は、位置が固定で、照明が固定で、不良種別が固定の場合は機能しますが、製品機種が変わったり、反射が変化したり、不良形状が少し複雑になったりすると、パラメータを再調整する必要があり、誤警報と見逃しが目に見えて増えます。

2. AI外観検査の中核原理は、データ駆動+特徴学習です。畳み込みニューラルネットワークなどの深層学習モデルを用いて、大量の良品画像と不良画像から不良特徴を自動抽出し、人手で書いたルールに依存しません。不良位置が固定でなく、形状がさまざまで、コントラストが低い場合でも、モデルは確率的な判定を示せます。寸法だけを測るノギスというより、訓練された品質検査員に近い存在です。

3. 汎化能力における両者の差は明らかです。従来のAOIは新製品ごとに新しいテンプレートとパラメータ調整が必要になることが多く、段取り替えコストが高くなります。AI外観検査は少数のサンプルでファインチューニングでき、新しいラインへ素早く移行できます。ある電子工場がFPCの外観を検査した際、従来のAOIは軽微な凹みと汚れの区別が難しかったのに対し、AIモデルは周囲のテクスチャを踏まえて判定でき、誤警報率が目に見えて低下しました。
4. 配備と保守の面では、従来のAOIはローカルのルールライブラリに依存し、保守は設備エンジニアが担います。AI外観検査はデータの閉ループが必要で、ラインの画像を継続的に戻してラベリングと再学習を行います。だからこそ、検査結果と品質データを結びつけるMES+AI統合を求める工場が増えているのです。ZEVONは産業AIとMES+AIに継続的に投資しており、ESOPなどの機能でAI検査結果とワークステーションの作業指示を連携させ、不良品の流出防止とプロセス改善の閉ループを形成できます。ZEVONは120社以上(15業種以上をカバー)、累計3,200端以上にサービスを提供し、電子や自動車部品といったシナリオでAI検査の導入経験を蓄積しています。
5. 投入と産出の観点では、従来のAOIは不良が明確に定義され、バッチが安定しているシナリオに適します。AI外観検査は、不良形状が複雑で、段取り替えが頻繁で、人手による目視検査の疲労が大きいシナリオに適します。ある自動車部品会社が表面の傷を検査する場合を想定します。傷の方向、長さ、深さがさまざまなので、従来のAOIではすべてのルールを列挙するのはほぼ不可能ですが、AIモデルはサンプル学習を通じてより多くの実際の不良をカバーできます。
推奨事項のまとめ:選定時に「AIはAOIより優れているか」と単純に問うのではなく、「自社の不良はルールで明確に記述できるか」と問うてください。不良が固定的で予算が限られているなら、従来のAOIも依然として使えます。不良が多様で誤警報が多く段取り替えが頻繁なら、AI外観検査を優先し、同時にデータ取得とMES+AIの閉ループを計画してください。ZEVON ESOPが代表する産業AIの導入アプローチは、まさに検査、判定、実行を1本の線でつなぎ、AIが「見える」だけでなく「制御できる」ようにすることです。