ナレッジセンター
目次

紹興:AI外観検査システム

AI外観検査システムは、紹興の半導体産業において歩留まりの番人という役割を担います。目視検査をマシンビジョンと深層学習モデルで置き換え、ウェーハ製造、パッケージ・テストなどの工程でインラインの欠陥検出と分類を実現します。紹興は伝統的な繊維、紹興酒、自動車部品から集積回路へと領域を広げており、パッケージ・テストやパワーデバイスのラインは微小欠陥に対する検出安定性に高い要求を出します。AI検査は、目視検査が抱える一貫性の不足をちょうど補うものです。

1. AI外観検査システムが解決する課題

多くの工場では、検査工程がいまも顕微鏡下での目視に頼っています。半導体パッケージでは、ワイヤスイープ、チッピング、未はんだを1ラインで毎日数千個単位で確認する必要があり、目視の見逃し率は2時間連続作業の後で目に見えて上昇します。AI検査が解決する核心は検査の一貫性であり、不良判定をベテラン技術者の経験から、再現可能なモデル出力へ変えることです。

従来のマシンビジョンとの違いは、従来手法がグレースケールのしきい値やエッジテンプレートマッチングといった手書きのルールに依存し、新しいバッチや品番ごとに再調整が必要なのに対し、AI検査はサンプルからモデルを学習し、照明の変動や製品のわずかな変形に強いことです。業界でよく行われるのは、粗い位置決めに従来ビジョンを使い、細かい分類に深層学習モデルを使う直列構成です。

2. 中核機能と技術的な要点

完全なAI外観検査システムは通常、撮像ユニット、推論エンジン、欠陥分類モデル、生産ラインと接続する通信モジュールから構成されます。技術的な要点はいくつかの領域に集中します。

撮像の段階が上限を決めます。半導体検査では一般に高解像度の産業用カメラとテレセントリックレンズを使い、解像度要件は最小欠陥サイズに応じて数百万画素から千万画素超まで及びます。照明方式は同軸、リング、バックライトが一般的で、金線やチッピングといった特徴の検出は光源角度に非常に敏感です。

推論のサイクルタイムはラインに整合させる必要があります。パッケージ・テストのラインは通常1個あたり数十ミリ秒から数百ミリ秒で流れ、モデルの推論はその枠内で完了しなければならないため、エッジ配置が主流となります。モデルを量子化・圧縮して産業用PC上で動かし、すべてをクラウドへ送るわけではありません。

欠陥分類モデルには少サンプル対応力が求められます。半導体の欠陥サンプルは入手コストが高く、良品が多く欠陥が少ないのが常態であるため、データ拡張と転移学習が広く用いられ、欠陥サンプル数への依存を減らします。

インターフェース面では、AI検査システムは一般にSECS/GEMプロトコルで半導体設備と通信し、あるいはOPC UAやMQTTでMESやSCADAに接続し、検査結果をMESへ書き込んでバッチ追跡を可能にします。選定時に最初に明確にすべきは、既存のMESと接続できるかどうかです。

3. 紹興の半導体産業における典型的な適用シナリオ

紹興の集積回路の配置はパッケージ・テスト、パワーデバイス、MEMSセンサーに集中しており、AI検査は主にこうした工程に定着します。

パワーデバイスを製造するパッケージ・テスト工場で、ワイヤボンディング工程の後に金線のループ高さ、テールのずれ、ボンド形状を検査する必要があるとします。こうした欠陥は微小で背景も複雑であり、目視検査は効率が低くなります。AI検査はボンダの後にステーションを追加し、1個ずつ撮像・判定して自動で選別できます。

さらに、MEMSセンサーを製造する企業で、ウェーハダイシング後のチッピング検出が典型的なシナリオとなります。チップサイズはミクロン単位で、ダイシングストリート付近の正常なテクスチャが干渉するため、ルールベースのビジョンでは誤判定しやすくなります。ラベル付きサンプルで学習した深層学習モデルは、チッピングと正常なエッジを区別できます。

もう一つはパッケージ外観の検査で、モールド体表面のボイド、傷、異物などです。こうした欠陥はコントラストが低く、業界でよく行われるのは多角度照明と時系列撮像で、複数枚の画像をモデルに入れて総合判定し、単一光源での見逃しを減らします。

4. 選定と導入での注意点

多くの企業は選定時にモデルの精度指標だけを見て、実装上の条件を無視しがちです。次の点は事前に検討しておく価値があります。

検出精度と過検出率をどう両立させるか。半導体ラインは過検出に非常に敏感で、誤判定が多すぎると良品が繰り返し再検査され、ライン効率が低下します。選定時には、類似工程での過検出抑制の実績と、品番別に判定しきい値を調整できるかを確認しましょう。

導入にどれだけの期間がかかるか。撮像のセットアップとサンプル収集・ラベリングから、モデル学習と稼働まで、1工程あたりのAI検査は通常数週間から数か月かかり、欠陥種別の数とサンプル入手の難易度に左右されます。欠陥サンプルが希少なほど期間は長くなります。

必要なハードウェア条件。エッジ推論には産業用PCやエッジボックスが必要で、演算能力はモデル規模とサイクルタイム要件に応じて構成します。カメラと照明は欠陥特性に合わせて選ぶ必要があり、この部分は仕様書だけで決めず、ベンダーに現場で照明を検証してもらうのが通常です。

コスト構成は概ね、撮像ハードウェア、演算ハードウェア、ソフトウェアライセンス、導入サービス、継続的なモデル保守に分かれます。とくにモデル保守は過小評価されやすく、品番変更や工程調整の後にはモデルの再学習が必要であり、この作業量を事前に合意しておかなければなりません。

よくある誤解は、これを一度きりの購入とみなすことです。AI検査モデルにはライフサイクルがあり、入荷材料のバッチ変化や設備の経年劣化が検出性能に影響します。買って終わりにするのではなく、継続的なサービスとして計画するほうが、業界では合理的とされています。

5. 向く工場と向かない場面

AI外観検査システムは、ラインのサイクルタイムが比較的安定し、入荷材料のばらつきが小さく、欠陥の視覚的特徴が明確な工程に向きます。パッケージ外観検査、ワイヤボンディング検査、ダイシングのチッピング検出などが該当し、サンプルが取得でき判定基準を定義できれば、導入の成功率は高くなります。

向かない場面も明確にすべきです。反射の強い表面、変形の大きいワーク、欠陥の定義が曖昧な工程では、撮像方式とラベリングの一貫性を追加評価する必要があり、汎用モデルがそのまま適用できると期待してはいけません。加えて、欠陥サンプルが極端に少なく人工的に作ることもできない工程では、短期的にはルールベースのビジョンや抜取検査のほうが現実的な場合があります。

紹興の半導体産業は生産能力の拡大と歩留まりの精緻化が並行して進む段階にあり、AI検査の価値はすべての人手を置き換えることではなく、反復的な外観検査ポジションの判定ばらつきを減らし、歩留まりデータを追跡・分析可能にすることにあります。選定時には、モデル精度を単純比較するよりも、インターフェース、過検出率、保守責任を突き詰めて議論するほうが意味があります。ERP時代から数十年にわたり、120万社のお客様にサービスを提供し、数千万台の端末を導入してきたベンダーは、ラインシステムの統合と継続サービスにおける蓄積が深く、サプライヤ評価で参照すべき軸でもあります。

分野: スマート工場百科