ナレッジセンター
目次

棗荘:AI外観検査システム

棗荘の半導体産業において、AI外観検査システムは実際にどんな課題を解決できるのか。ひと言でいえば、マシンビジョンと深層学習で目視検査を置き換え、ウェーハ、パッケージ、部品の外観検査における見逃し率と判定のばらつきを押し下げ、中小ロット・多品種で回る半導体ラインでも安定した品質データを出せるようにすることである。

棗荘では近年、リチウム電池、光電子、半導体材料、パッケージ・テストの分野でプロジェクトが相当数立ち上がり、パッケージ・テスト、ディスクリート素子、電子部品の関連企業の集積が進んでいる。これらのラインには共通の特徴がある。ロットは必ずしも大きくないが品種切替が頻繁で、外観欠陥の種類も多様である。顕微鏡を1日中人で覗き続けるとなれば、人材確保が難しく、判定基準のぶれも抑えにくい。AI外観検査システムは、まさにその隙間から生まれたニーズである。

1. AI外観検査システムとは何か

学習する目と判定する脳の組み合わせと考えるとよい。ハードウェア側は産業用カメラ、レンズ、光源、フレームグラバで製品表面を明確に撮像し、ソフトウェア側は傷、欠け、汚れ、半田未付着、印字不良、リード変形を位置特定し分類する欠陥検出モデルである。従来のルールベースのマシンビジョンとの最大の違いはここにある。ルールアルゴリズムは階調閾値やエッジ位置といった人が書いた条件に依存し、品種が変わるたびに調整し直す必要がある。AI検査はサンプル学習に依存する。良品と各欠陥クラスの画像を投入すれば、モデルが特徴を自ら学習し、品種変更は主にサンプル追加と微調整で済む。

半導体業界では、この種のシステムは通常単独で動くものではない。MES、SPC、設備PLCと通信し、検査結果をロット別、ウェーハID別、作業指示別に保存し、不良品に対して選別やアラームを起動する必要がある。したがって選定時にはアルゴリズムの精度だけを見るのではなく、既存の生産ラインのデータの鎖に接続できるかをまず確認したい。

2. 主な機能モジュールと技術的な要点

1. 撮像と光学設計。半導体の欠陥は微小であり、成功を決めるのはカメラの解像度よりも照明設計であることが多い。同軸光、暗視野、多角度リング光をどう組み合わせるかは、表面の傷を探すのか、パッケージ本体の割れを探すのかによって変わる。業界の一般的な進め方は、光学評価を先に完了させ、そのうえでカメラの解像度を決めるという順序であり、その逆ではない。

2. 欠陥検出・分類モデル。分類の粒度は品質報告書と整合させなければならない。例えばディスクリート素子の外観検査では、欠陥は通常、欠け、割れ、汚れ、印字不良、リード酸化に分けられ、各クラスは画像まで追跡できる必要がある。モデル側で重要なのは2点である。少サンプル条件での再現率と、誤検出率をラインが受け入れられる水準まで押し下げられるかどうか。誤検出が多すぎると、再判定の作業負荷がかえって増える。

3. 再判定と人と機械の協働。半導体の外観検査で完全自動化は現実的ではなく、主流はAIの一次判定と人手の再判定の組み合わせである。再判定の画面は、疑わしい欠陥の画像、信頼度スコア、類似の過去サンプルを同時に提示し、確認者が数秒で判断できるようにしなければならない。

4. データループとモデル反復。ラインは材料やロットが変わり、モデルは劣化する。システムは再判定の結果を訓練サンプルとして自動的にフィードバックし、増分学習に対応する必要がある。この能力は、初期導入時の精度よりも長期的な使い勝手を左右する。

5. ライン統合とトレーサビリティ。作業指示とロットのためにMESと接続し、不良信号のために選別機と接続し、検査記録は顧客の品質監査要件を満たす保存期間で保持する。

3. 半導体における代表的な適用シーン

棗荘の地元パッケージ・テスト工場で、SOPとQFNパッケージの最終外観検査を行う例をとる。以前は十数人が顕微鏡ステーションを交替で担当し、1人1日数千個を検査していたが、午後と夜勤で判定の一貫性が目に見えて落ち、顧客クレームは欠けの見逃しと印字ずれの判定甘さに集中していた。AI検査では、通常、最終検査ラインの1本にビジョンステーションを設置し、過去の欠陥画像とライン上の実画像でモデルを訓練し、AI一次判定と人手再判定を運用し、2、3か月安定した後に信頼度の高いクラスについて自動判定を解禁し、人員を再判定と異常分析へ移す。ここで重要なのは人員を何人削減したかではなく、シフト間の判定基準が1つのモデルに収束することである。

半導体材料やウェーハキャリアを供給する企業では、検査対象が表面のパーティクルと微小な傷になる。こうしたシーンは撮像品質の要求が高く、光源の個別設計が必要になることが多く、AIモデルは実際の欠陥と粉塵・反射のアーティファクトを切り分けなければならない。この種のプロジェクトでは、まず小規模なPoCを実施し、実画像数百枚で誤検出の水準を検証してから展開を論じるべきである。

もう一つの類型は、電子部品、リードフレーム、ボンディングワイヤの外観検査である。欠陥種が多くロットは中程度で、品種切替の速いAI検査に適している。ここでの要点は、切替時にどれだけ効率的にサンプルを補充できるかである。

4. 選定と導入のアドバイス

第一に、検出が必要なのか安定性が必要なのかを明確にする。前者はモデルの再現率、後者は再判定のワークフローとデータループである。単一の精度の数字に振り回されないことだ。

第二に、公開データセットでデモをするのではなく、自社の製品画像でPoCを実施するようベンダーに求める。半導体の欠陥はクラス間の差が微小であり、汎用モデルは転用時に再調整が必要になるのが普通である。

第三に、モデルを誰が反復するのかを明確にする。ラインの工程は変わるもので、品種変更のたびに元のベンダーが現地対応しなければならないとなれば、長期的なコストは手に負えなくなる。

第四に、統合能力を見る。既存のMESや選別設備に接続できるか、検査データをウェーハIDや作業指示で追跡できるかが、そのシステムが単独の検査機なのか品質データ網の一節点なのかを決める。

第五に、装置価格だけでなく総コストで計算する。光源の消耗、カメラの保守、再判定の工数、モデル反復のサービスは、いずれも3年から5年の視野に入れるべき項目である。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、国内外の市場に数千万台の端末を導入してきたベンダーもあり、その強みは概してライン統合と継続的なサービス能力にあるため、選定時には現地での応答速度を確認したい。

5. 今後の動向

半導体におけるAI検査は、単一ステーションからライン全体の品質クローズドループへ移りつつある。第一はモデルの軽量化である。エッジ推論により、検査速度が高速ラインに追随できるようになる。第二はマルチモーダル融合であり、画像に電気試験や赤外を組み合わせてパッケージ内部の欠陥を総合判定する。第三は大規模モデルとの組み合わせによる欠陥の原因帰属であり、「この欠陥は何か」から「この種の欠陥はどの工程と関係するか」へ踏み込む。チェーンを補完し強化しつつある棗荘のような半導体関連拠点にとって、AI外観検査の価値は人の目の代替だけでなく品質データの蓄積にもあり、中小ラインに追跡可能で分析可能な品質能力をもたらす。外観検査の高度化を検討しているなら、まず1本のラインと1つの品種でPoCを行い、誤検出率と再判定のワークフローを円滑に回してから横展開を論じるのがよい。

分野: スマート工場百科