嘉興の電子製造でAI外観検査が実際に解決する課題は何か。一言で言えば、人手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実装、はんだ接合検査、最終外観検査などの工程でインライン全数検査を行い、見逃し率と過検出率を人手では維持しにくい水準まで下げることです。嘉興の電子製造はPCBA受託製造、電子部品、スマート端末アクセサリ企業が密集し、受注ロットが小さくライン切替も頻繁なため、目視検査の要員を充足させることも安定させることも難しく、AI外観検査はまさにこの課題に位置します。
1. AI外観検査システムとは何か、従来のAOIとどう違うのか
平たく言えば、AI外観検査システムはラインに学習できる目を取り付けるものです。従来のAOIはグレースケール比較とルールしきい値に頼り、はんだ接合部の面積が一定値未満なら欠陥といった論理をプログラムに固定するため、別の基板に変えるたびにルールを調整し直す必要があり、冷はんだ、位置ずれ、異物など形状のばらつきが大きい欠陥では誤報率を下げられず、ライン脇に人が座って確認することがよくあります。AI外観検査は別の道を取ります。サンプル画像で欠陥検出モデルを訓練し、システムが欠陥の見え方を学び、推論時に欠陥クラスと位置を出力します。違いは、ルール型AOIが条件を満たすかどうかを扱うのに対し、AIモデルは欠陥に見えるかどうかを扱い、照明の変動、シルク印刷のばらつき、入荷バッチの色差に対してより寛容であることです。もちろんAIは万能ではなく、サンプルにない新しい欠陥種別は見逃すため、実務ではAIと従来アルゴリズムのハイブリッド構成が一般的です。
2. 中核機能と技術的な要点で重要なパラメータは何か
機能的には通常3つに分かれます。欠陥の検出と分類、寸法・位置の測定、文字とバーコードの認識(OCR/OCV)です。技術的な要点は次のように分解されます。
撮像が上限を決めます。電子製造で一般的な構成は、500万から2000万画素の産業用カメラに精密測定用のテレセントリックレンズを組み合わせ、光源はリング、同軸、ドーム照明を組み合わせ、はんだ接合検査ではドーム光で金属の反射を抑えます。ラインタクトが速い場合、露光時間とトリガ同期は画素数以上に重要で、タクト30秒未満のSMTラインではカメラトリガのジッタをミリ秒レベルに抑える必要があります。
アルゴリズム側では2つの指標が重要です。検出率と過検出率です。業界ではAI検査を論じるとき過検出率を好んで話題にします。見逃しはそのまま流出しますが、過検出は確認作業が増えるだけだからです。モデル種別は、分類にCNN、位置特定とセグメンテーションにYOLO系やU-Net系を用い、小サンプルのシーンでは転移学習とデータ拡張を使います。
通信と統合はプロトコルに帰着します。デバイス層はGigE VisionまたはUSB3 Vision、ライン層はModbus TCPやProfinetでPLCに接続し、上方向はOPC UAでMESやSCADAに接続する例が増えています。検査結果は作業指示番号、ステーション番号、欠陥座標を返さなければ、トレーサビリティを構築できません。環境面では、現場の静電気保護はIEC 61340に従い、ビジョンステーションの接地とイオンファンの構成を惜しんではいけません。カメラと光源の保護等級は実際の粉塵条件に応じてIP54以上とすべきです。
3. 嘉興の電子製造でどの工程に使えるか
PCBA受託製造企業を想定すると、典型的な導入点は次のとおりです。リフロー後のAOIステーションでは、実装ずれ、はんだ不足、ブリッジ、マンハッタンの検出がAI検査で最も成熟した工程です。欠陥サンプルが蓄積しやすいからです。DIP挿入後のはんだ接合検査では、スルーホール接合部のフィレットとボイドの判定をルールアルゴリズムより安定して行えます。組立の最終外観検査は、筐体の傷、シルク印刷の不良、コネクタの変形を扱い、欠陥種別が多すぎてルールに向かず、セグメンテーションモデルが適します。もう一つ見落とされやすいのがシルク印刷とラベルのOCR/OCVです。型番文字の誤りは電子製造で重大な問題であり、低コントラストや軽微な汚れに対してAIの文字認識はテンプレートマッチングより堅牢です。検査基準はIPC-A-610の外観許容クラスを参照し、クラス要件をモデルの判定しきい値に翻訳して、合否の定義を顧客と揃えられます。
4. 選定と導入で注意すべき質問
統合方式をどう選ぶか。まず既存のAOIや検査設備がデータインターフェースを開けるかを確認します。元画像と判定結果が取得できれば理想的で、そうでなければラインに独立ステーションを追加し、コストとタクトを再計算する必要があります。MESへの上方向接続はOPC UAを優先し、旧設備はModbusゲートウェイで移行します。
ハードウェアはどこまで構成すべきか。カメラ解像度は最小欠陥サイズから逆算し、一般に欠陥が画像上で3~5画素以上を占めることが必要です。計算側は単一ステーションの推論ならGPU付き産業用PCで足り、ステーションをまたぐ集中推論が必要な場合のみエッジサーバーを追加します。光源はカメラより投資価値があることが多いです。
導入にはどのくらいかかるか。単一工程でサンプリングから稼働まで、サンプルが十分なら数週間から2~3か月が一般的な範囲で、ボトルネックは通常モデル訓練そのものではなく、サンプルのラベリングとライン立ち上げです。
コスト構成で何を見るか。カメラ、レンズ、光源、産業用PCなどのハードウェア、ソフトウェアライセンス、サンプルのラベリング作業、統合と立ち上げです。ラベリングと立ち上げは最も過小評価されやすい二項目です。
よくある誤解を明確に述べるべきです。導入すればすぐ動くという期待です。AI検査は欠陥サンプルライブラリから始まり、新しいラインには欠陥画像の蓄積がありません。初期は人手の確認データをモデルに戻して学習させる必要があり、このコールドスタートは避けられません。
5. どの工場が適合し、どのシーンが向かないか
ラインタクトが比較的安定し、入荷の一貫性が良く、欠陥種別を列挙できる工程に適します。リフロー後のSMT検査、標準部品の外観検査、文字認識などです。小ロットでもライン切替が頻繁な工場も、モデルが迅速な切替に対応し、型番ごとの個別訓練や増分学習ができれば使えます。
適さないケースも明確にすべきです。反射の強い部品や変形の大きい部品の検査は光学の追加評価が必要で、たとえば鏡面金属筐体の傷検査では、光源の問題を解決していなければどんなモデルでも補えません。欠陥サンプルが極端に少なく模擬もできない工程、たとえば特定の安全部品の一度きりの故障モードでは、AIの検出率を保証できません。1個あたりミリ秒レベルの極端に高い検査タクトのシーンでは、撮像と推論の時間予算を先に計算する必要があります。また、合否基準が曖昧で顧客と工場の欠陥定義が異なるラインは、システムを論じる前に定義を揃えるべきで、そうでなければモデルがどれだけ正確でも検収に通りません。
ERP時代から数十年にわたり活動し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外市場をカバーする産業ソフトウェアベンダーは、AI検査のようなハードウェアとアルゴリズムのソリューションで、検査設備とMES、SCADAの統合能力を強みとすることが一般的で、嘉興の電子製造企業はこの点を比較に含められます。