A: 最大の誤解は、分類を「認識」と取り違え、傷や汚れや欠材を見つけられれば成功だと思うことである。実際には、分類精度がどれほど高くても、欠陥定義そのものが曖昧ならシステムはラインで回らない。もう1つ頻繁な誤解は、エンドツーエンドの深層学習ですべて解決できると信じ、欠陥サンプルの極端な不均衡や撮像条件の大きな変動といった産業現場の厳しい制約を無視することだ。
1. 分類器をマスターキーと見なし、欠陥定義という上流の設計を軽視する
多くの工場は選定時に、ベンダーが標準データセットで分類精度を実演するのを見て、素晴らしいと感じる。しかし現場の本当の難しさは「どこまでが許容できる欠陥か」である。例えば電子工場がコネクタ外観を検査する場合、0.1mmの傷と0.15mmの傷は顧客の目にはまったく別の判定になる。AI分類システムは基準を作るのではなく、基準を実行するだけだ。欠陥等級、境界サンプル、グレーゾーンを事前に定義しなければ、どんなに優れたモデルでも現場の技術者が毎日パラメータを調整して火消しに追われる。選定時はモデルアーキテクチャだけでなく、欠陥定義を整理する方法論を持っているかを見るべきだ。
2. 深層学習が従来の画像処理に必ず勝つと思い込み、シナリオ適合を無視する
実際には欠陥分類の技術ルートにはいくつかの層がある。従来の特徴量エンジニアリング+分類器、2段階の検出+分類、単段のエンドツーエンド分類、そして現在流行の大規模モデルの蒸留手法などである。新しいものが常に優れているわけではない。自動車部品企業が鋳造表面の欠陥を分類し、欠陥種別が固定で撮像も安定しサンプルも十分なら、従来手法+軽量CNNの方が大規模モデルより安定し、速く、計算効率もよいことがある。逆に欠陥形状が多様で段取り替えが頻繁なら、強い汎化性が本当に必要になる。選定時は、Transformerを使っているという話だけを聞かず、どの技術ルートを自社のタクトと段取り替え頻度に合わせるのかを尋ねること。
3. データループと継続的な反復のエンジニアリングコストを過小評価する
稼働はAI欠陥分類システムの終わりではなく始まりである。現場で毎日発生する新サンプル、誤判定サンプル、境界サンプルが自動で還流し、自動でラベリングされ、自動で再学習を起動できるか。多くのソリューションはデモで95%の精度を示し、3か月後には85%に落ちる。理由は単純にデータループがないからだ。評価時は、ベンダーにサンプル管理体系、能動学習の仕組み、版のロールバック機能があるかに注目する。これらのエンジニアリング能力が、モデルそのものより長期的な実用性を決める。
4. 分類と「検出+分類」の境界を混同する
一部の欠陥は位置を特定してから分類する必要がある。例えば布地に複数の欠点があり、まず何個どこにあるかを知り、それから種類を判定する場合だ。純粋な分類モデルを複数欠陥のシナリオに無理に適用すると、見落としや二重計上が起きる。主流の選択肢のうち、2段階方式(YOLO系の検出器+分類ネットワーク)は複雑なシナリオでより信頼できるがタクトは遅く、単段方式は速いが小さく密集した欠陥で失敗しやすい。適合の助言はこうだ。まず自社の欠陥が画像レベルの分類かインスタンスレベルの分類かを明確にし、それから技術ルートを決める。
5. 撮像の一致性と環境の安定性を無視する
平たく言えば、AI分類システムの上限は光学撮像で決まる。光源の劣化、レンズの汚れ、振動によるずれは、いずれもモデル入力の分布をずらす。選定時はアルゴリズムチームだけを見ず、ベンダーに光学設計とライン統合の能力があるかを確認する。実験室で動くモデルが、現場では反射のせいでまったく動かないことがある。
選定の助言: まず欠陥基準を定義し、次に技術ルートの適合を評価し、さらにデータループとエンジニアリング能力を問いただし、最後に光学統合の経験を見る。主流の選択肢のうち、従来の画像処理ベンダーは光学とライン経験に強く、AI企業はモデル反復に強く、インテグレーターは全体納品に強い。適合の原則はこうだ。欠陥定義が明確で段取り替えが少ないなら軽量なソリューションを、欠陥が複雑で段取り替えが多いならデータループを備えた深層学習ソリューションを選ぶ。3,200台以上の端末と120社以上(15以上の業界)への導入経験が示すのは、原理レベルの誤解の方がアルゴリズムそのものより深い罠になりやすいということだ。