A: 最大の誤解は、AI外観検査を「カメラを買い、アルゴリズムを入れ、稼働させる」だけのプラグアンドプレイ設備と捉えることです。これは電子工場の現実、すなわち機種が多くロットが小さいこと、表面の反射が強いこと、不良サンプルが極端に少ないことを無視しています。その結果、検収時には指標が良く見えても、稼働した瞬間に誤報でラインが止まります。以下では導入を段階に分解し、各段階でよくぶつかる落とし穴を整理します。
1. 要件定義:検出率だけを指標にしてしまう
多くの電子工場は「不良検出率99%以上」だけをプロジェクト憲章に書き、誤報率や見逃し1件あたりのコスト、過検出の許容度を定義していません。PCBAの外観検査、コネクタのピン検査、表示モジュールの欠陥検査では不良分布が極端に偏っており、冷間はんだの見逃し1件が製品1台分の損失になる一方、誤報が多すぎれば作業者は設備の電源を切ってしまいます。ある民生電子機器工場がAOIの後にAIによる再判定を追加したケースを考えてみます。検出率だけを追うと、アルゴリズムは粉塵やフラックス残渣を不良と判定し、直行歩留まりはかえって低下しました。ここで重要なのは、見逃し率と過検出率を並べて検収基準に盛り込み、不良種類ごとに重み付けすることです。
2. データ準備:サンプルは多ければ多いほど良いという思い込み
電子工場の実不良サンプルは数十枚程度しかないことが多く、ラインで半年集めても不足分は埋まりません。「まず数千枚の画像を集めてから」とアルゴリズムチームに指示すると、プロジェクトはデータ待ちで停滞します。より現実的なのは、少量サンプルと異常検知の考え方から始める方法です。良品サンプルで分布モデルを作り、そこに少数の不良サンプルを加えて追加学習させます。電子部品は反射し、シルク印刷の文字があり、照明の角度も多様なので、量よりもラベリングの一貫性が重要です。同じ傷をシフトによって「傷」「汚れ」「打痕」と付け分けていれば、モデルはノイズを学習するしかありません。データ段階の核心は、まずラベリング基準と照明ステーションを固め、その後に拡張を議論することです。
3. 導入検証:タクトと段取り替えを無視してしまう
ラボで動くことはラインで動くことを意味しません。電子工場は段取り替えが多く、同じステーションで午前はA機種、午後はB機種の基板を検査します。モデルが単一の品番しか知らなければ、段取りのたびに調整し直すことになります。もう一つの問題はタクトです。AI推論と画像取得は既存のサイクルタイムに収まらなければならず、収まらなければ設備を増やすかラインを落とすしかありません。ある電子工場はSMT後にAI検査を試験導入し、精度は問題なかったものの1枚あたりの推論時間がタクトを超えたため、抜き取り検査に戻し、価値の大半を失いました。導入段階では、段取り替えへの追従性と1枚あたりの推論時間を同時に評価すべきで、稼働後にミスマッチに気づくのでは遅すぎます。
4. 運用と責任分界:稼働がゴールだという思い込み
AI外観検査は一度納めて終わりの案件ではありません。照明の経年変化、材料ロットの変更、レンズの汚れはいずれもモデルをドリフトさせます。誤りは、稼働後に放置してしまうことです。数か月もすると誤報率がじわじわ上がり、ラインは全数目視に戻ってしまいます。望ましいのは、定期的なサンプリングレビューの仕組みとモデル更新のサイクルを定め、データフィードバックと閾値調整の責任を、工程技術・品質・ITのどこが持つのかを明確にすることです。ERP時代から製造業に関わり、国内外で120万社・数千万台の端末を展開してきたベンダーも同じ結論を示しています。AI外観検査の長期的なコストは、初回導入ではなく運用にこそ宿ります。
要点:見逃し率と過検出率を並べて検収基準に書き込むこと。サンプル量を議論する前にラベリング基準と照明ステーションを統一すること。導入前に段取り追従性と1枚あたりの推論時間を測ること。稼働後はサンプリングレビューとモデル更新の責任者を決めること。一言でいえば、電子工場でAI外観検査を定着させるうえで難しいのはアルゴリズムではなく、要件指標・データ基準・タクト制約・運用責任を事前に定義することです。