襄陽の電子機器製造において、AI 外観検査システムは実際に何ができるのか。一言でいえば、人の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、SMT の実装、はんだ接合部の検査、最終外観検査の工程でインラインの全数検査を行い、流出率と一貫性のばらつきを下げる。襄陽の電子産業基盤は車載電子、民生電子向けの供給、機電部品であり、多品種で中少量、ライン切り替えが頻繁である。これはまさに AI 検査が従来のルールベースのビジョンより優れる領域であり、モデルは再利用でき、段取り替えのたびに数百のルールを書き直す必要がない。
1. AI 外観検査システムとは何か、何を解決するか
簡単にいえば、AI 外観検査システムは生産ラインに学習できる目を与えるものである。従来のマシンビジョンは人が書いたルール、すなわちグレースケールのしきい値、エッジの位置、テンプレートマッチングに依存しており、部品、照明、入荷ロットが変わるたびにルールを調整し直さなければならない。AI 検査は別の道を取る。不良のサンプルに注釈を付けて検出モデルを学習させ、不良がどのような見え方をするかをモデルに学ばせる。それが解決する中核課題は三つある。目視検査で疲労から起こる流出、ルールベースのビジョンでは扱えない複雑な不良、多品種小ロットラインでの頻繁な段取り替えにかかる調整コストである。
襄陽の電子機器製造には特徴がある。多くの工場が車載電子向けに供給しながら民生電子の受注も受けており、一つのラインで一日に二、三回機種を切り替えることも珍しくない。こうした環境では、ルールベースのビジョンの維持コストが利益を圧迫する。そこが AI 検査の価値の出る場面であり、一度モデルを学習すれば同じ不良種別を機種をまたいで転用できる。
2. AI 外観検査システムの中核機能と技術的要点
中核機能は四つのブロックに分かれる。不良検出、寸法測定、文字認識、位置決めガイダンスである。電子機器製造で最も使われるのは前の二つである。
技術的には、避けて通れないパラメータがいくつかある。検査精度は工程にもよるが通常 0.01mm 水準が求められ、0201 パッケージ部品の実装ずれ検査では画素精度をミクロン水準まで押し上げる必要がある。タクトはラインに合わせなければならず、SMT のインライン検査は一般に一枚あたりの検査時間を秒以内に収め、ボトルネックにならないようにする。カメラの解像度は視野と最小の不良サイズから逆算し、高ければよいというものではない。推論が遅くなるからである。アルゴリズム以上に成否を決めるのが照明設計であることが多く、はんだ接合部の検査では多角度リング照明と同軸照明を組み合わせて正反射を効果的に抑える。
ソフトウェア面ではいくつかの能力が重要である。モデル学習が少サンプルに対応しているか、すなわち不良画像が数十枚あれば始められるか。増分学習に対応し、新たに現れた不良を素早く学習させられるか。推論がエッジボックスで動くか、GPU を積んだ産業用 PC で動くか。現場は一般に低遅延でネットワークに依存しないエッジ配置を好む。連携面では、主流のソリューションは OPC UA や Modbus TCP といった産業プロトコルに対応し、MES や SCADA と接続して検査結果をトレーサビリティシステムへ直接流す。標準面では、電子組立の外観合否は IPC-A-610 の合否クラスに従うことができ、静電気敏感な工程の検査ステーションは IEC 61340 の保護要件を満たす必要があり、品質マネジメントシステムの水準では ISO 9001 のトレーサビリティ要求により検査データの保存と検索可能性も求められる。
3. 電子機器製造における典型的な適用シーン
襄陽で車載基板の SMT 実装を行う車載電子工場の例を挙げる。最初の重要工程ははんだペースト印刷後の SPI 検査で、AI 検査は印刷ずれ、はんだ不足、ブリッジを検出する。タクトの要求が厳しいため、インラインの全数検査が一般的である。次は実装後の AOI で、部品のずれ、欠品、極性逆転、マンハッタン現象を検査する。AI 検査が従来の AOI のルールアルゴリズムを置き換える主戦場であり、とくに異形部品やフレキシブル基板の不良はルールではほとんど対応できない。
コネクタ組立を行う電子工場を考える。工程はピン挿入、圧着、最終外観検査である。ここでの難しさは曲がりピンと圧着痕の判定で、不良の形状が多様で目視検査の判定がぶれる。AI 検査は分類とセグメンテーションを組み合わせたモデルで、曲がりピン、バックアウトしたピン、つぶれをそれぞれ区別し、複数ステーションのカメラで一度に撮像する。
見落とされやすいシーンがもう一つある。梱包前の文字とラベルの検証である。型番、バッチ番号、QR コードの印字誤りや印字抜けは、とくにラベルに軽いしわや反射がある場合、AI OCR のほうが従来のテンプレートマッチングより安定する。
4. 選定と導入で注意すべき点
第一のよくある疑問は連携である。AI 検査システムは孤立した島ではないため、選定では OPC UA や PLC の信号でラインとインターロックできるか、NG の結果で排出機構を起動できるか、作業指示番号で MES にデータを書き込めるかを明確にすべきである。インターフェースが閉じたソリューションは、後からの連携が苦痛になる。
第二はハードウェア要件である。現場には粉塵、振動、温度変化があるため、産業用 PC とカメラは少なくとも IP54 の保護等級を持つ産業グレードでなければならない。照明コントローラは独立して調整できることが望ましく、製品が変わったら照明設計を素早く切り替える必要がある。一つの照明で全機種をカバーしようと期待してはならない。
第三は導入期間である。一律の答えはなく、不良の定義がどれだけ明確かによる。工場が不良サンプルすら揃えられず、合否基準が熟練作業者の頭の中にある場合、事前のすり合わせにかなりの時間がかかる。一般に、一工程をサンプル収集、注釈、学習、ラインでの試行まで進めるには数週間、複雑な工程では数か月と見るのが現実的である。
第四はよくある誤りである。最大のものは、AI 検査を買えばすべてが恒久的に解決すると考えることである。実際にはモデルの継続的な保守が必要で、入荷ロットの変化も新しい不良種別も、新しいサンプルと再学習を要する。もう一つの誤りは、検出率を極端に高く追いながら誤検出率を無視することである。ラインが誤検出で絶えず止まり、作業者がシステムを回避するようになる。
コスト面では三つのブロックがある。ハードウェア(カメラ、レンズ、光源、産業用 PC またはエッジボックス)、ソフトウェアライセンスとモデル学習サービス、そして連携と導入である。多ステーション・多カメラのソリューションはハードウェアの比率が高く、標準化された単一ステーションのソリューションはソフトウェアとサービスの比率が高い。選定では工程を価値で順位付けし、ボトルネック工程と人件費の最も高いステーションから始めるべきで、全ラインに一度に展開すべきではない。
5. AI 外観検査が適する工場と適さないシーン
適するシーンには明確な特徴がある。ラインのタクトが比較的安定し、入荷材料の一貫性がよく、サンプルを蓄積できる不良があり、類似した製品形態の間で切り替えが頻繁であることだ。襄陽の車載電子向け供給、民生電子の組立、機電部品の製造の多くはこの範囲に入る。
適さないケースも明確に述べておく。高反射で変形の大きい部品、たとえばある種の研磨金属表面やフレキシブル材料のしわ判定では、撮像そのものが不安定であり、AI モデルがどれほど強くても入力の品質に制約されるため、照明と撮像の方式を別途評価する必要がある。不良サンプルが極端に少なく、不良の定義が曖昧な工程、たとえば主観的な外観基準の一部では、AI 検査の投資効果を慎重に計算すべきである。タクトが極端に速く、一枚あたりの検査枠がミリ秒単位の工程では、エッジの計算能力が追いつかない可能性があるため、具体的なソリューションのリアルタイム性を確認しなければならない。
ERP 時代から数十年にわたりこの分野に取り組み、120 万社の顧客にサービスを提供し、数千万台の端末を導入し、国内と海外の両市場をカバーしてきた産業ソフトウェアベンダーは、AI 検査のように MES やトレーサビリティシステムと深く噛み合う必要があるシーンで、連携の経験という見えにくい強みを持つことが多い。しかし最終的には、何を検査する必要があるのか、不良はどのような見え方をするのか、ラインにタクトの余裕があるのかを明確にすることのほうが、仕様表の比較より重要である。