A: AI による品質欠陥分類システムの最大の利点は、「人の目 + 固定ルール」による監視を、「学習モデル + 確率的判断」に変えることです。傷、汚れ、色ずれ、欠品といった境界が曖昧な欠陥に対して、流出率と過剰検出率を同時に下げられます。従来の画像検査が無用というわけではなく、しきい値が明確な場面では優れています。しかし欠陥の形状が多様になり、照明が変動し、製品が切り替わると、ルールライブラリはすぐに破綻します。
1. よくある誤解——パラメータ調整だけで従来の画像検査がすべての欠陥をカバーできるという思い込み
多くの工場は、初めて画像検査を導入するとき、習慣的にアルゴリズムエンジニアに if-else のルールを山のように書かせます。灰色値がある値を超えたら汚れ、エッジの勾配がある値を超えたら傷、といった具合です。短期的には機能しますが、ラインに新しいロットの材料が入ったり、シフトをまたいで照明が劣化したりすると、ルールはすぐにずれ始めます。さらに悪いことに、欠陥分類は有無の二値問題ではなく、傷、凹み、異物、気泡をそれぞれ別のカテゴリに割り当てる必要があり、従来手法ではルールを手作業で積み上げるため、カテゴリが増えると互いに矛盾するのです。
2. 実際の落とし穴——分類ステップにおける従来手法の三つの構造的欠陥
1. 特徴量を人が定義するため、未知の欠陥を取りこぼす。従来手法は HOG、LBP、エッジ輪郭といった手作り特徴量を抽出します。エンジニアが思いつかなかった特徴は、システムは学習できません。ある電子工場がコネクタの外観検査を行う際、当初はピンの曲がりと欠落だけを定義していました。稼働後にピンの酸化・黒変がまとまって発生しましたが、ルールライブラリに対応する特徴がなく、そのロット全体が顧客へ流出しました。
2. 段取り替えのたびに再調整が必要で、停止コストが高い。仮にある自動車部品メーカーがブレーキパッドの表面を検査するとします。従来手法では機種が変わるたびに ROI を再設定し、しきい値を入れ直す必要があり、段取り替えごとに二〜三時間のデバッグが発生します。品種が多くロットが小さいラインでは、とても耐えられません。
3. 過剰検出率が高く、誤判定がラインを圧迫する。ルールを厳しくしすぎると正常なテクスチャを欠陥と見なし、緩くしすぎると本当の欠陥が流出します。ある射出成形工場は透明部品の黒点検出に従来の画像検査を使い、過剰検出率が長く 8% 前後で推移し、毎日二人が再判定に専従していました。これでは人件費の削減にはなっていません。
3. 回避の方法——手作りのルールを AI 分類モデルに置き換える
AI 品質欠陥分類システムの原理は複雑ではありません。畳み込みニューラルネットワーク(CNN)や軽量な Transformer をバックボーンとし、欠陥画像を高次元の特徴に写像し、分類ヘッドで各カテゴリの確率を出力します。決定的な違いはここにあります。
1. 特徴量はデータそのものから学習される。傷、汚れ、正常のサンプルを数千枚ラベル付きで与えれば、モデルは決定境界を自分で見つけます。エンジニアが「灰色値 > 120 かつ面積 ...」といったルールを書く必要はありません。