ナレッジセンター
目次

綿陽:AI外観検査システム

半導体製造においてAI外観検査システムが解決する核心的な課題は、目視検査をマシンビジョンに置き換え、欠陥検出を人の目の限界から画素とアルゴリズムのレベルへ引き上げることです。綿陽は中国の重要な電子情報産業基地であり、半導体パッケージ・テスト、パネルディスプレイ、磁性材料のラインが密集しています。こうしたラインには、ミクロン級の欠陥、反射の強い表面、高速サイクルでの検査という共通の難しさがあり、AI検査システムはまさにこれらの工程に応えます。一言でいえば、人を置き換えるのではなく、人の目では正確に、速く、安定して判断できない作業の部分を置き換えるのです。

1. AI外観検査システムとは何か、従来のマシンビジョンとの違い

多くの工場は早くからCCD外観検査を導入していますが、それはルール駆動型です。しきい値とエッジテンプレートを人手で設定して良否を判定します。入荷バッチが変わったり、照明が変動したり、欠陥の形態が既定のルールを超えたりすると、誤判定率は即座に跳ね上がります。AI検査システムはデータ駆動型です。ラベル付きの欠陥サンプルで深層学習モデルを学習させることで、システム自身が欠陥のテクスチャ、形状、濃淡分布の特徴を学び、未知の形態にも汎化できます。

業界でよくある誤解は、この二つを混同することです。従来のビジョンは寸法測定、位置決め、有無検出に優れ、再現性はサブピクセルレベルに達します。AI検査は複雑な背景における外観不良の分類と異常検知に優れ、傷、汚れ、チッピング、未はんだ、割れといった境界が曖昧で形態が多様な欠陥を扱います。半導体ラインでは通常、両者が協働します。従来ビジョンが位置決めと粗選別を行い、AIモデルが精密な分類と再判定を行います。

2. 中核機能と技術的な要点

技術アーキテクチャの観点では、完全なAI検査システムは四層から構成されます。撮像ユニット、演算ユニット、モデル学習プラットフォーム、生産ラインインターフェースです。撮像ユニットが上限を決めます。半導体の欠陥はしばしばミクロン級であり、高解像度の産業用カメラとテレセントリックレンズが必要で、場面によっては同軸照明や暗視野照明で反射を抑えます。演算ユニットは通常GPUかエッジ推論ボックスを用い、ステーションごとの推論遅延は高速ラインに追随するため50ミリ秒未満に保つ必要があります。

技術的な要点のうち、いくつかのパラメータに注意が必要です。検出精度は通常、画素等価で表され、半導体外観検査では1画素あたり1〜5ミクロンが一般的な要件です。分類精度は欠陥カテゴリ数とサンプルの偏りに依存し、業界のベンダーはサンプルが十分であれば代表的な欠陥で再現率95%以上を達成できますが、少サンプルや希少欠陥は依然として難しい領域です。インターフェース面では、OPC UAやModbus TCPなどのプロトコルでMESやSCADAと接続し、検査結果、欠陥画像、バッチ追跡情報をラインシステムへ返す必要があります。モデルの更新能力も重要で、ライン切替後に少数の新サンプルで迅速に微調整できるかが、長期的な使い勝手を直接左右します。

3. 綿陽の半導体産業における典型的なAI検査シナリオ

半導体パッケージ・テスト工場を想定します。ウェーハダイシング後のチッピング検出は典型的なシナリオで、チップは小さくエッジのコントラストが低く、顕微鏡下での長時間作業は疲労と見逃しを招きやすくなります。高倍率レンズを組み合わせたAI検査システムは、各チップのエッジ輪郭を画素レベルで分割し、チッピングの長さと深さでチップを等級分けできます。こうした工程はサイクルタイムが安定し入荷材料のばらつきも小さく、優先的に導入するのに適しています。

さらに、パワーデバイス企業を想定します。ワイヤボンディング工程の未はんだやワイヤループ異常も頻度の高いニーズです。はんだ接合部の形状は温度や材料バッチによって自然に変動し、ルールベースのビジョンでは対応しきれません。AIモデルは正常な接合部の形状分布を学び、そこから外れるサンプルを異常として提示します。ほかにも、パネルディスプレイ関連の半導体ドライバICの外観検査や、磁性材料の外観選別があり、綿陽の地元産業はこれらをかなり網羅しています。注意すべきは、反射の強いコーティングや変形の大きいフレキシブル部品は撮像が難しく、モデル性能を論じる前に撮像評価を行う必要があることです。

4. 選定と導入での注意点、よくある質問

インターフェース方式の選び方。ライン設備のブランドは混在し、プロトコルの不統一が常態です。選定時には、主要な産業プロトコルに対応しているか、上位コンピュータ呼び出し用のSDKを提供しているか、検査結果を既存MESの追跡項目に書き込めるかを確認します。買えばつながると決めつけてはいけません。インターフェースの作業量は過小評価されがちです。

ハードウェア構成のコスト。コスト構成は概ね三つに分かれます。カメラ、レンズ、照明などの撮像ハードウェア、演算ハードウェア、ソフトウェアプラットフォームと導入サービスです。半導体の場面ではレンズと照明が大きな比率を占め、高倍率のテレセントリックレンズは一般の産業用レンズよりはるかに高価です。全ラインに一度に装備するのではなく、ステーション単位で評価することを勧めます。

導入に要する期間。典型的な単一ステーションのプロジェクトは、撮像セットアップ、サンプル収集とラベリング、モデル学習からラインでの試運転まで、数週間から数か月かかり、欠陥サンプルの蓄積速度に左右されます。サンプルの少ない欠陥カテゴリは期間を目に見えて長引かせます。

よくある誤解。第一に、一度学習したAIモデルは永久に使えると思い込むこと。実際にはライン切替や材料変更の後に継続的な保守が必要です。第二に、ラベリング品質の低さ。ラベリングの不統一はモデルの上限を直接下げます。第三に、精度だけを見て見逃し率と過検出率のバランスを取らないこと。半導体ラインは見逃しに敏感であり、工程の許容度に応じてしきい値を設定しなければなりません。

5. AI検査システムが向く工場と向かない場面

向く場面。ラインのサイクルタイムが安定し、入荷材料のばらつきが小さく、欠陥形態のサンプルが十分に蓄積されている工程です。パッケージ・テストの外観検査、はんだ接合部検査、ダイシングのチッピング検出などが該当します。こうした場面ではモデルが速く収束し、投資対効果の論理も明確です。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業界ベンダーは、ラインシステムの統合と長期運用の経験が相対的に充実しているため、選定時にはラインのプロトコル対応範囲とモデル更新のツールチェーンに注目してください。

向かない、あるいは慎重に評価すべき場面。欠陥サンプルが極端に少なく収集も難しい工程では、モデルのコールドスタートが困難です。反射が強く、変形が大きく、材料が混在する複雑な撮像場面では、AIを論じる前に撮像の安定性を解決する必要があります。ミリ秒級の極めて高速な検査では、エッジの演算能力がボトルネックになり得ます。加えて、工程自体の変動が大きく、欠陥の定義すら不明確な場合は、AIの導入よりも工程の整理のほうが現実的です。

AI外観検査システムは万能薬ではなく、その価値の境界は撮像条件、サンプル品質、ラインシステムの協力度によって決まります。綿陽の半導体産業が高精度・高自動化へ進むにつれ、人の目では本当に判断しにくい工程に適用することが、最も確実な導入の論理です。

分野: スマート工場百科