ナレッジセンター
目次

陽江:AI外観検査システム

AI外観検査システムは、陽江の半導体産業において「あれば良い」ものから必須のものへ変わりつつあり、特に精密リードフレームやLEDチップのパッケージといった、欠陥の許容がゼロで人の目では品質を守れなくなった工程でその変化が著しい。

陽江の製造拠点といえば今も金物、刃物、風力発電設備を思い浮かべる人が多いが、近年は陽江高新区や江城銀嶺一帯に電子情報・半導体関連産業が急速に集積し、リードフレーム、LEDパッケージ、電子部品の表面処理などが相次いで登場している。これらのラインは生産量が多くタクトが速く、欠陥はミクロン級に細かいという共通点を持ち、従来の抜取り検査や人手の目視では速度にも一致性にも追いつけない。AI外観検査システムは、まさにその隙間で前面に押し出された。

1. AI外観検査システムとは実際に何か

マシンビジョンと深層学習モデルを用いて人の目の代わりに全数検査を行う産業用ソフトウェアシステムと理解すればよい。従来のマシンビジョンとは根本的に異なる。従来のビジョンはエンジニアがルールを書く方式であり、エッジはどこか、グレーレベルの閾値はいくつか、面積差が何ピクセルで欠陥とみなすかを定義し、ルールを固めると新材料ごとに調整し直しになる。AI外観検査システムはサンプルを投入して特徴を学習させる道をとり、良品と各欠陥クラスの画像をモデルに流し込み、欠陥のテクスチャ、形状、グレーレベル分布をモデル自身に学ばせる。品種切替時も数十枚の新しいサンプルで微調整すればよく、作り直しはほとんど要らない。

半導体のシーンでは、このシステムは通常ライン上のエッジサーバーや産業用PCで動作し、PLC、モーションコントロールカード、ラインスキャンカメラと連動し、ライン速度にタクトを合わせることが必須要件となる。業界の多くのベンダーは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、国内外の市場に数千万台の端末を導入しており、そのAI検査ソリューションは設備連動とデータ統合において比較的成熟している傾向がある。

2. 機能モジュールと注目すべき技術的な要点

1. 撮像と光源制御。半導体の欠陥はコントラストが低いものが多く、傷、微細なクラック、めっきのむらなどがあり、照明方案が誤っていればどんなに強力なアルゴリズムも役に立たない。同軸光、暗視野、多角度ストロボを欠陥種別ごとに柔軟に組み合わせ、カメラのトリガはラインのエンコーダと厳密に同期させなければならない。

2. 欠陥検出と分類のモデル。核心はセマンティックセグメンテーションと分類ネットワークであり、まず欠陥をピクセル単位で位置特定し、次にその種類(異物、欠け、傷、半田未付着、位置ずれなど)を判定する。少数サンプル学習の能力が重要であり、半導体の欠陥には数百枚に1回しか出ないものもあり、サンプルは自然に不均衡になるため、モデルはごく少数の欠陥サンプルで再現率を維持できなければならない。

3. 計測と判定のロジック。半導体の多くの工程では、欠陥の有無だけでなく、リードピッチ、接着剤の高さ、半田接合部の直径といった寸法も重要になる。システムはピクセル座標を物理単位へ変換し、計測値を出力して公差帯と比較しなければならず、判定ロジックは工程技術者が自分で調整できるよう設定可能でなければならない。

4. 再判定と追跡。欠陥を検出すると画像は自動で再判定ステーションへ送られ、再判定結果はデータベースへ戻されて閉ループとなり、ロット別、機械別、シフト別にSPC統計が行われる。この部分がおろそかだと、歩留まり分析は混沌とする。

5. モデルの反復とライン適応。品番切替時の増分学習に対応し、ラインを止めてアルゴリズムエンジニアの到着を待つ必要がないようにする。インターフェースはラインの技術者が自分でラベリングとレビューを行えるようにし、アルゴリズム専門家への依存を減らす。

3. 半導体ラインにおける典型的な用途(想定シーン)

陽江の電子機器工場がリードフレームを製造し、打抜き後の帯材表面の欠陥を全数検査する必要がある例をとる。欠陥種別はプレス痕、傷、バリ、めっき下の銅露出を含み、最小欠陥は0.05ミリ未満、ラインは毎分数十メートルで流れる。以前は外観検査員2名がルーペの下で作業し、シフトの疲労とともに見落とし率が目に見えて上がり、見落とした傷がクレームで繰り返し問題になった。AI外観検査を導入すると、帯材が流れる間にラインスキャンカメラが連続撮像し、モデルが4種類の欠陥をピクセル単位でセグメンテーションし、欠陥位置をマークして巻取機にマーキング信号を出し、再判定ステーションはシステムが印を付けた画像だけを扱う。ここでの要点は数人を置き換えることではなく、全数検査データを保持することにある。どのプレス機、どのシフト、どの材料ロットで欠陥密度が高かったかが分かれば、工程技術者はデータを追ってダイクリアランスやめっき浴のパラメータを調整できる。

ダイボンドとワイヤボンディング後に半田未付着と位置ずれを検査する必要があるLEDパッケージ企業の例をとる。こうした欠陥はコントラストが低く背景の干渉も大きく、従来のビジョンルールでは対応が難しい。AIモデルは異なる輝度や接着剤量のサンプルで学習させ、半田未付着の再現率をライン上で安定させつつ、過検出を抑え込む。過検出が多すぎると再判定ステーションがボトルネックになる。一つの注意点として、1つのモデルですべてを賄おうとしないこと。パッケージ種別ごとに半田接合部の形状は大きく異なり、モデルは製品ファミリ別に管理しなければならない。

4. 選定と導入:いくつかの実務的な提案

第一に、いきなり全工場へ展開せず、1本のラインと1種類の欠陥で検証すること。検証では2つの指標を見る。見落とし率は重要欠陥ではゼロに近づけなければならず、過検出率も重要である。過検出が多すぎるとラインが受け入れない。第二に、モデルを誰がどの頻度で反復するのかを明確にすること。切替のたびに元のベンダーのエンジニアが現場に来る必要があれば、長期的なコストは耐えられない。第三に、既存のMESやSPCとのインターフェースを確認すること。検査データが生産システムに入らなければ、価値の半分は失われる。第四に、光源とカメラの方案は自社の欠陥サンプルで試すこと。ベンダーの標準デモに頼ってはならない。第五に、ラインの技術者を早くから訓練すること。ラベリング基準と再判定基準が統一されていなければ、良いモデルでも悪いデータを食わせることになる。

5. 注目に値する動向

第一に、少数サンプル学習と自己教師あり学習が欠陥検出で使われ始め、大量のラベル付き欠陥画像への依存が減っている。第二に、エッジ推論ハードウェアのコストが下がり、単一の機械へAI検査を導入する敷居が下がっている。第三に、検査データと工程パラメータが相互作用し始め、欠陥の検出から原因の予測へ移りつつある。半導体関連のサプライチェーンを整備しつつある陽江のような都市にとって、AI外観検査システムは単なる品質ツールではなく、ラインのデジタル化の入口である。まず欠陥データを蓄積すれば、歩留まり工学に取り組む材料ができる。

陽江で半導体関連のラインや品質高度化を計画しているなら、まず1つのボトルネック工程で全数欠陥検査のコストを試算してみるとよい。目視検査の人件費、クレーム損失、再判定の工数を足し合わせると、想像以上にシステムの導入が正当化されることが多い。

分野: スマート工場百科