AI外観検査の導入ポイントとは？

①不良品や良品の判定基準がよく変更になるか•運用ができるか

自社の製品の不良品や良品の基準が頻繁に変更される場合は、技術の変更が容易にできるかも重要になってきます。

その際に アノテーションが簡単にできるかどうかも重要なポイントになってきます。

アノテーションとは？

アノテーションとは、AIが「何が良品で、何が不良品なのか」の基準を学ぶためのデータです。人間も、たくさんの教科書や参考書を見て知識を身につけ、勉強しますよね。

それと同じように、AIも多くの良品と不良品を見て、学習することで、どれがNG判定で、どの程度までがOK判定なのかといった許容範囲を理解していきます。

アノテーションとは、この学習の基盤となるマニュアルを作成する作業のことであり、AIにとっての「教科書」とも言えるものです。

ハードウェアの見直し

不良品画像・良品画像のデータ量と質

AIは、大量の高画質なデータを学習することで精度が向上します。逆に、データが不足すると、見落としや過検知が増え、正しい検査が行えなくなる可能性があります。AI外観検査を提供する企業によっては、少ないデータ枚数で開発できる場合もあるため、必要なデータ量について考慮することが大切です。

一般的には、データ量が多いほど、より汎用性が高く、安定した検査が可能になります。また、検査対象の不良が特殊な場合は、さらに多くのデータが必要になることも覚えておくと良いでしょう。

大量のデータを収集・準備するには時間とコストがかかるため、データ収集の効率化やデータ拡張技術の活用も重要です。加えて、AI外観検査を提供する企業に事前に相談し、どれくらいのデータ量が必要なのか、また、データが少ない場合の精度について確認しておくことも大切です。

AI外観検査とルールベース、どちらがいい？

一概にどちらが良いとは言えず、それぞれメリットとデメリットがあります。

まず、ルールベースのメリットとデメリットをご紹介します。

ルールベースは、明確な基準に沿って判定・検査を行います。いわば、マニュアル通りに決められた基準で検査を進める方式です。 そのため、検査スピードも高速で、設定されたルールに該当すれば、ほぼ必ず検出できるというメリットがあります。

例えば、半導体ウェハのスクラッチや液晶パネルの黒点など、形状が単純で明確な基準のある不良な場合や、同じ製品の大量生産で明確な基準があるもの、また特定の同じ形の傷や特定の色の異物を検出する場合にはルールベースが適しています。他にも、寸法測定のように、部品の寸法が規格からどれだけずれているかを数値で評価する場合には、ルールベースの方が最適です。

しかしながら、微細なキズや設定されていない不良品は検知できません。 ルールベースは、人間のように「ここまでなら不良品にしなくてよい」といった柔軟な対応ができません。 そのため、設定された基準を満たしていれば良品とみなし、見過ごしてしまうことが多くなります。

加えて、ルールベースでは、経験豊富な検査員が、不良品の形状・色・位置などの特徴を明確にし、それを基に具体的な検査ルールをプログラムする必要があります。つまり、人間が1から100までルールを決めるため、システムの構築には膨大な時間と労力がかかります。

比較的単純な検査であればルールベースで十分な精度を得られますが、人間のような勘や経験を活かし、柔軟な対応を求める場合にはAI外観検査の方が適しているでしょう。

次に、AI外観検査のメリットとデメリットをご紹介します。

AI外観検査は、AIが人間の「目」の代わりとなり、目視検査を行えます。そのため、従来の機械では難しかった、食品のように毎回形が変化するものや、不良品の基準が曖昧なもの、表面の微細な傷や色のわずかな違いも検出できます。

また、柔軟に検査できるため、多品種大量生産にも対応できます。

さらに、人間よりも高速に検査を行うことが可能で、生産効率の向上にもつながります。

一方でデメリットとして、AIの判定基準の理由がわからないことが問題視されています。なぜそのような結果になったのかが不明確なため、原因究明や品質管理の面で課題となることがあります。

また、AI外観検査の精度は、学習データの質と量に大きく依存します。そのため、良品と不良品の大量の画像データを用意する必要があり、データ収集やアノテーション（ラベル付け）に時間と手間がかかります。

加えて、AI外観検査システムは、ハードウェア、ソフトウェア、AIモデルの開発などが必要であり、初期費用が高額になる場合があります。しかしながら、人件費を考慮すると、長期的にはコストを抑えられる可能性があります。

まとめ

AI外観検査の導入においては、検査対象の特性や必要な精度、運用の柔軟性を考慮することが重要です。アノテーションの質やデータ量がAIの精度を左右し、適切なハードウェアの選定も検査の精度向上につながります。

ルールベースとAIの特徴を理解し、自社のニーズに合った方式を選択することが求められます。

最近ではハイブリッド型の活用も進んでおり、AIの課題である判定理由の不透明さやデータ収集の負担も技術の進化によって改善されつつあります。導入前に自社の課題を明確にし、最適な検査システムを選ぶことが成功の鍵となるでしょう。