ナレッジセンター
目次

Q: AI品質不良分類システムには、どのようなデータ基盤が必要ですか。

A: AI品質不良分類システムが回るかどうか、そして正確に回るかどうかは、7割がデータ基盤で決まり、残りの3割がアルゴリズムと演算能力です。言い換えれば、堅実なデータ基盤がなければ、どんなに高度なモデルも空回りするだけです。

まず典型的な場面を見ます。ある電子工場はSMT実装ラインの末端に産業用カメラを設置し、はんだ未接合、ブリッジ、墓碑現象、位置ずれといった不良種類をAIで自動判別しようとしました。ラインは1日に数千枚の基板を流し、画像も大量に撮れていましたが、技術者がデータを学習に使おうとして気づきました。不良サンプルが極端に偏っており、はんだ未接合は数百枚あるのに墓碑現象は十数枚しかない。一部の画像は「不良」としかラベルがなく、具体的な種類がない。シフトごとに照明条件が異なり、昼勤と夜勤の画像に明らかな分布の差がある。結果として、学習したモデルは高頻度の不良には強い一方、低頻度の不良はほぼ見逃しました。この場面は、データ基盤の作り方が悪い場合の典型的な問題をそのまま示しています。

では、使えるAI品質不良分類システムにはどのようなデータ基盤が必要なのか。5つの層に分けて説明します。

1. 十分で偏りのない不良サンプル、特に少数サンプル不良

分類モデルの本質はサンプルから境界を学ぶことです。ある不良種類のサンプルが1桁しかないと、モデルは安定した特徴をまったく学べません。実務では通常2段階を踏みます。第一に、ライン上の希少不良の画像はできるだけ残し、「どうせ数枚しかない」からといって削除しないこと。第二に、回転、反転、輝度摂動、部分遮蔽といったデータ拡張で少数サンプルを学習可能な規模まで増やすこと。より厳密なソリューションでは生成手法で不良画像を合成しますが、合成データは工程担当者の確認を受け、物理的に存在し得ない不良形態をでっち上げてはいけません。サンプルの偏りのなさは総数より重要です。1万枚のうち9,000枚が良品なら、モデルはすべて良品と判断する方向に傾きます。

2. ラベルは「良/不良」ではなく、不良種類と位置まで細かく

「OK/NG」の二値ラベルは遮断しか支えられず、分類はできません。不良分類では、傷、気泡、汚れ、欠品といった具体的なカテゴリをラベリングする必要があります。不良領域が小さい場合は、バウンディングボックスやピクセル単位のマスクも必要です。ラベルの一貫性も同じくらい重要です。同じ不良をAさんが「汚れ」、Bさんが「傷」と付ければ、モデルは混沌を学びます。実務ではまずラベリング仕様書を作り、各不良種類、ラベリング可能な最小サイズ、境界の引き方を定義し、そのうえで複数人で相互チェックします。ラベルの品質が分類の上限を決めます。これは産業シナリオでは一般的な画像処理以上に顕著です。

3. 撮像条件が再現可能で、データ分布が現場の変動をカバーしていること

産業品質検査で最も恐ろしいのは「学習時と稼働時で見え方が違う」ことです。自動車部品メーカーが鋳物の表面不良をAIで選別するとします。学習画像は恒温恒湿の照明ボックスで撮影したのに、システムは振動と粉塵の多いステーションに設置され、レンズは数時間で粉塵をかぶります。こうした分布のずれでモデル精度は崩壊します。ですからデータ収集段階で現場の変動要素を織り込む必要があります。シフト間の照明差、投入材料ロットの色差、レンズがわずかに汚れた状態での撮像、ワーク姿勢の小さな変化などです。データ分布のカバレッジが完全であるほど、稼働後のモデルの頑健性が高まります。一言でいえば、学習データはラインと同じくらい「汚く」なければならず、理想条件だけで収集してはいけません。

4. 参照用の良品サンプルは一定量必要だが、無限に多くは不要

良品サンプルの役割は、モデルが「不良ではない」境界を引くのを助けることです。実際のプロジェクトでは良品サンプルは容易に得られますが、多ければよいわけではありません。見逃された微小な不良が良品サンプルに混ざると、モデルは不良を良品として学びます。ですから良品サンプルもサンプリング確認が必要です。通常は良品と不良の比率を妥当な範囲に保つことを勧めます。不良の視覚的な顕著性とラインの歩留まりによります。決まった式はありませんが、極端な偏りは必ず問題を起こします。

5. データが継続的に還流し、閉ループになること

生産ラインは静止していません。材料、金型、工程パラメータの変更はどれも不良の形態を変えます。一度きりのデータセットしか消費できないシステムは、数か月で劣化します。良いデータ基盤にはフィードバックの仕組みが必須です。現場判断が分かれた画像、人手の再判定で修正された画像、新たに出現した不良種類は、いずれも定期的に学習セットへ戻せなければなりません。ある電子工場の実践では、毎週信頼度の低い画像を抽出し、品質検査の責任者が確認して学習に追加し、四半期ごとにモデルを更新しています。データの閉ループは選択肢ではなく、分類システムが長期的に使えるための前提条件です。

まとめると、AI品質不良分類システムのデータ基盤は5点に集約されます。十分で偏りのない不良サンプル、細かく一貫したラベル、現場の変動をカバーする撮像、クリーンで信頼できる良品サンプル、継続的に還流できるデータです。この5点を堅実に築けば、モデル選定はずっと楽になります。どれか1つが欠けると、アルゴリズムを替えても埋め合わせはできません。これからこうしたシステムを計画する企業は、まずラベリング仕様と収集プロセスを定義し、その後にモデルの議論をしてください。順序を逆にすると遠回りが増えます。

分野: AI-FAQ