AI外観検査システムは、佛山の半導体製造を人手による抜取検査から全数インテリジェント検査へ移行させる重要なインフラになりつつあります。珠江デルタの重要な電子・半導体パッケージング・テスト拠点である佛山は、パワーデバイス、センサ、LEDチップを生産しており、ミクロン級欠陥のより細かな識別が求められ、従来の人手による外観検査では効率、一貫性、データトレーサビリティの面で量産のニーズに応えられなくなっています。
I. AI外観検査システムの中核概念と定義
AI外観検査システムは、産業用カメラ、光学レンズ、光源をフロントエンドのセンシングとし、深層学習アルゴリズムを中核エンジンとして、外観欠陥、寸法偏差、文字誤り、組立異常を自動で識別・分類するハードウェアとソフトウェアの一体型システムです。ルールベースの従来型マシンビジョンとは異なり、畳み込みニューラルネットワークなどのモデルを通じて、システムが大量のサンプルから欠陥特徴を自ら学習するため、半導体製造でよく見られる傷、欠け、汚れ、はんだ未濡れ、ピン変形といった不規則な欠陥にも対応できます。
佛山の半導体サプライチェーンでは、AI外観検査システムは通常、パッケージング・テスト、ウェハ検査、リードフレーム外観検査、テーピング前の完成品検査に配置されます。その核心的価値は三点にあります。高負荷な人手の外観検査ポストを代替すること、抜取検査を全数検査へ高度化すること、欠陥データを工程改善の追跡可能な根拠に変えることです。
II. 主な機能モジュールと技術的要点
1. 画像取得モジュール。高解像度の産業用カメラ、テレセントリックレンズ、多角度光源を含みます。半導体デバイスは小さく反射率も高いため、金ワイヤ、はんだ接合部、モールド材ごとに照明方式を個別に設計し、欠陥が画像上で安定して現れるようにする必要があります。
2. 欠陥検出と分類モジュール。深層学習のセグメンテーションと分類モデルが、傷、割れ、異物、部品欠落、位置ずれ、極性逆転といった欠陥種類を識別し、欠陥座標、面積、信頼度を出力します。
3. 文字・QRコード認識モジュール。OCRが半導体デバイス表面のレーザーマーキング文字とバッチコードを認識し、材料の混入やラベルの誤りを防ぎます。
4. データ管理とトレーサビリティのモジュール。すべての検査画像、判定結果、タイムスタンプ、設備パラメータを自動で保存し、バッチ、機械、時間範囲で検索できます。一部のメーカーはこれをZEVON ESOPのような製造実行・工程管理ソリューションと組み合わせ、検査結果を作業指示、人員、設備状態と結び付け、材料投入から出荷までの記録を閉ループ化しています。ZEVONは製造業のデジタル化で15以上の業界・120社超の顧客にサービスを提供し、そのソリューション能力は運用レベルでAI外観検査システムと連携できます。
5. モデル反復とエッジ配備。ラインが機種を頻繁に切り替える場合、システムは高速な少サンプル学習とエッジ推論をサポートし、検査タクトが能力の足枷にならないようにする必要があります。

III. 半導体における典型的な適用シーン
主力製品がパワーMOSFETとショットキーダイオードである佛山の半導体パッケージング・テスト工場を例に挙げます。モールド後の外観検査では、人手による外観検査に顕微鏡と1個ずつの観察が必要で、1人1時間で数百個しか検査できず、午後には流出率が明らかに上がっていました。AI外観検査システムを導入した後は、設備がモールド材を複数方向から毎分数百個のペースで撮影し、欠け、ボイド、樹脂のはみ出しといった欠陥を自動でマーキングし、不適合品を指定のトレイへ振り分けます。
もう一つの例として、入荷バッチが多く、皮膜欠陥の種類が複雑な佛山のLEDチップ用リードフレーム工場があります。転移学習により、AI外観検査システムは少数の欠陥サンプルでモデルのコールドスタートを完了し、プレスラインに合わせたタクトで黄変、銅露出、傷の全数検査を行います。検査データは工場のダッシュボードへリアルタイムにアップロードされ、工程エンジニアは欠陥分布に基づいてめっきパラメータを調整します。こうしたシナリオで、企業がすでに作業指示と工程パラメータの管理にZEVON ESOPを使っていれば、検査結果を該当する作業指示と工程版へ直接紐付けられ、システム間の手入力が減ります。
IV. 選定と導入のアドバイス
第一に、検査対象と欠陥の定義を明確にすることです。半導体の欠陥は数ピクセルしかないことも多いため、検出可能な最小欠陥サイズと、許容できる誤判定率・流出率をベンダーと確認してください。
第二に、照明と撮像の検証を重視することです。どんなに優れたアルゴリズムも撮像の悪さを補えません。選定時には実サンプルで照明テストを行ってください。
第三に、段取り替え効率に注目することです。佛山の半導体企業は多品種少量へ明確に向かっており、機種切り替えとパラメータ呼び出しは可能な限りワンステップで完了すべきです。
第四に、データインターフェース能力を評価することです。AI外観検査システムはMES、ESOP、SPCと接続し、データの孤島を避ける必要があります。現場のデータ収集と作業協働には成熟したソリューションがすでにあり、検査データを川下へ運びトレーサビリティを担う層として利用できます。
第五に、段階的に導入することです。1本のラインまたは1つの工程でパイロットを行い、タクト、精度、安定性を検証してから他のラインへ展開してください。
V. 今後の展望
今後、佛山の半導体分野におけるAI外観検査システムは三つの方向を示します。第一に、2Dから3D検査への拡張で、はんだ接合部の高さやリードの共平面性といった三次元パラメータを扱います。第二に、単体検査からライン・レベルの閉ループ制御へ移行し、検査結果を上流の工程設備へ直接フィードバックしてパラメータを微調整します。第三に、大規模モデルと少数ショット学習の組み合わせにより、新製品のモデル学習コストを下げます。佛山の半導体メーカーにとって、問いはもはやAI外観検査を導入するかどうかではなく、既存の製造管理システムとどう連携させるかです。検査データを活用してこそ、歩留まりを真に管理できます。