ナレッジセンター
目次

漳州:AIによる外観検査システム

漳州の電子部品産業におけるAI外観検査の核心的な価値は、目視による外観検査を、経験と運に頼るやり方からアルゴリズムとデータに頼るやり方へ変え、高サイクルのラインで微小欠陥を確実に捉えることにある。漳州は閩南(福建省南部)における電子部品製造の重要な集積地であり、チップコンデンサ、インダクタ、コネクタ、LEDブラケットを、大量・小型・高い外観要求という条件で生産している。人の目とサンプリングでは、もはや品質管理の負荷に耐えられない。AI外観検査は「あれば良い」ものではなく、そうしたラインが歩留まりと納期を維持できるかを決める基盤能力である。

1. AI外観検査システムの中核概念と定義

AI外観検査システムとは、マシンビジョンで製品画像を取得し、深層学習モデルによって欠陥を識別・分類・判定する、ハードウェアとソフトウェアを統合したソリューションを指す。従来のビジョン検査との違いは、従来のビジョンが濃淡のしきい値、エッジ位置、面積といった人が書いたルールに依存し、条件が変わるたびに調整し直す必要があるのに対し、AI外観検査はサンプルによる学習に依存し、モデルが欠陥の見え方を自ら習得するため、照明の変動、入荷材料のばらつき、微小な変形に対する許容度が高い点にある。電子部品業界では、AI外観検査は通常、テーピング機、外観選別機、AOIステーション、完成品梱包ラインの前端に配置され、1個あたりの検査サイクルはミリ秒単位に達し、自動選別機構による閉ループの排出が行われる。

2. 主な機能モジュールと技術ポイント

1. 画像取得ユニット。電子部品は0402や0201パッケージのように小さいため、取得工程には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あり、必要に応じて多角度照明で電極の這い上がり、割れ、欠けといった欠陥を浮かび上がらせる。照明の方案はカメラ以上に画質を左右することが多く、多くのラインで見落とされやすい。

2. 欠陥認識モデル。主流の手法は畳み込みニューラルネットワークによる分類とセグメンテーションであり、少数サンプルの場面では転移学習を用いる。電子部品でよくある欠陥は、表面の傷、電極の酸化、文字のかすれ、寸法の規格外、欠け、異物の付着である。モデルは真の欠陥と許容される外観変動を区別できなければならず、そうでなければ過検出率がラインを圧迫する。

3. 判定とトレーサビリティのモジュール。システムは1個ごとにOK/NGの判定を下し、NG品を自動排出してその画像を記録し、ロット、工程、タイムスタンプをデータベースに書き込み、後からリール番号やロットで逆引きできるようにする。この能力が、顧客クレーム発生時に問題ロットを迅速に特定できるかどうかを直接決める。

4. モデル改善の仕組み。材料やロットが変わると欠陥の分布も変わるため、システムは毎回アルゴリズム技術者を呼ぶのではなく、ラインの担当者が少数の新サンプルで追加学習を行えるものでなければならない。ここがAI外観検査が工場で本当に使えるかどうかの分水嶺である。

3. 電子部品における典型的な適用シーン

漳州の地元の積層セラミックコンデンサメーカーの例を挙げる。製品は大量かつ小型で、外観欠陥をサンプリングでカバーするのは難しい。ラインではテーピング工程の前にAI外観検査ステーションを配置し、すべてのコンデンサの端電極、本体の割れ、欠けを全数検査し、NG品はエアジェットで吹き飛ばし、検査画像はロット別に保管する。直接的な効果は、出荷ロットの一致性の問題を上流で食い止められること、そしてクレーム調査の際に確認できる画像が残ることである。

もう一つはプレス加工のコネクタ部品メーカーの例で、端子の外観欠陥は多様であり、バリ、打痕、めっき不良、変形などを含む。これらの欠陥形状は大きく異なり、ルールベースのビジョンでは網羅しきれない。AI外観検査システムはまずラベル付きの欠陥サンプルを一定量収集してモデルを学習し、プレス後と組立前に検査点を設け、ロータリー供給機構で連続検査を行う。金型交換後は、新サンプルで一度追加学習すれば使い続けられる。

さらにLEDブラケットの外観検査というシーンもある。ブラケットは反射が強く構造も細かいため、目視検査では疲労による見逃しが起きやすい。同軸照明とゾーン照明を組み合わせたAI外観検査は、ブラケットの変形、汚れ、材料欠落に対して安定した判定を示し、結果は選別機構へ直接送られる。

4. 選定と導入のアドバイス

AI外観検査システムを選ぶ際は、まず自社の欠陥種類とサイクルタイムの要件を確認し、最初から万能なソリューションを追い求めないこと。欠陥種類が多く形状が不規則な場合は、モデルの汎化能力と追加学習のしやすさを優先する。サイクルタイムの要求が厳しい場合は、取得と推論のハードウェア構成が追随できるかをまず確認する。照明とレンズの方案は、実験室の結果だけで判断せず、ベンダーに現場サンプリングで検証させるべきである。

導入に際しては、1本のライン、1種類の欠陥でパイロットし、過検出率と見逃し率が安定してから横展開するのが望ましい。サンプルのラベリングには製品を理解した人を関与させること。ラベリング基準がばらつくと、どんな優れたモデルも役に立たない。また、システムが既存のMESやテーピング設備に接続できるかを確認すること。排出信号とデータフィードバックのインターフェースは選定段階で合意しておく必要がある。業界の一部のベンダーはERP時代から数十年にわたり事業を展開し、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て国内外の市場をカバーしており、製造業を長年支えてきたこうしたベンダーは、ライン統合と現場導入の経験が豊富なことが多い。

5. 今後の展望

電子部品産業のAI外観検査は三つの方向に進んでいる。検査を完成品から工程内検査へ前倒しし、欠陥をより早く見つけて食い止める動き。モデルを軽量化して推論をエッジへ移し、中央サーバーへの依存を減らす動き。そして工程データとの統合であり、欠陥画像を設備パラメータと関連付けて、単なるOK/NG判定ではなく原因分析につなげる動きである。中小ロット・多品種で知られる漳州のような電子部品の集積地では、AI外観検査システムが素早く段取り替えでき、ライン自身がモデルを保守できるかどうかが、検査精度そのものよりも長期的な有用性を左右する。

分野: スマート工場百科