ルールベースとAI外観検査の違いは？使い分けと選定基準

ルールベースとAI外観検査は、どちらも画像処理を使って製品を調べる方法です。違いは、判定条件の作り方です。ルールでは人が特徴や条件を明示的に設定し、AIでは画像データから特徴を学ばせます。判定の設定を変更するときに必要な作業も、この違いから比べられます。AIには機械学習が使われ、ディープラーニングもその一種です。

ルールベースでは、輪郭の位置、部品の数、傷として抽出した領域の面積などを、決めた基準と比べます。例えば、一定の位置に部品があるかを確認する検査は候補になります。基準を文章と数値で説明しやすいほど、条件の確認や調整の方針を立てやすくなります。

ただし、照明や製品の姿勢によって画像が変われば、その影響を評価する必要があります。

AIは、色や模様の正常な差と欠陥の見た目が入り組み、条件の追加が増える検査で候補になります。傷ならAI、有無ならルール、と欠陥名だけで決めるのは早計です。まず何を不良とするか、その差が画像に写るかを確認します。AIを採用しても、良否基準が未決定の状態や、照明の反射で見えない欠陥が自動的に解決するわけではありません。

AIに必要な画像は、学習方法によって異なります。教師あり学習では、良品・不良品の区別や欠陥位置など、正解ラベルを付けた画像から学びます。品質保証と現場の判断が割れたままラベルを付けると、何を再現させたいのかが揃いません。限度見本と照らし、迷う画像をどう扱うかを先に決めます。

不良品が少ない場合には、良品に共通する特徴を学ぶ異常検知が候補になります。正常な画像から学んだ特徴と比べ、新しい画像がどの程度異なるかをスコアにして、しきい値で判断する方法です。この方式でも、正常な材質差、色、模様、姿勢のばらつきを良品画像に含める必要があります。

一つのロットだけを正常の全範囲とみなすと、別ロットの良品を異常として扱うおそれがあります。

学習と評価は別です。評価用には、学習やしきい値調整に使っていない良品と不良品の両方を用意します。良品で正常な変動を過検出しないか、不良品で正常に似た傷を見逃さないかを確かめます。

不良画像を入手できなければ、その種類は未評価です。未知の欠陥を全て検出できるとは説明しません。

最初の比較軸は、基準を条件として書けるかです。位置や輪郭、有無を安定して測れ、許容範囲を決められる検査は、ルールベースから試します。モデルを学習しなくても、限度見本を含む条件調整用と評価用の画像は要ります。

正常な外観の変動が大きく、同じ基準を保つための例外条件が増えるなら、AIを比較します。良否ラベルを付けられるか、良品学習なら正常範囲を集められるかを確認してください。品質保証は比較前に欠陥別の見逃しと過検出の許容値を、生産技術は処理時間の上限を決めます。

学習・調整に使わない共通の良品・不良品画像で試し、条件を満たさない方式は採用を保留します。必要枚数や速度は方式名だけでは決まりません。

一つの工程に両方を使う選択もあります。例えば、ルールで製品の位置を補正してからAIで表面を調べる、AIで抽出した領域の大きさを条件と比べる、といった分担です。どの処理を先に行い、結果をどう次の処理へ渡すかも検討します。

最終的な良否へまとめる条件を決め、組み合わせた状態で品質と処理時間を評価してください。調整箇所が増える負担も含め、残す機能と置き換える機能を比較しましょう。

判定理由を説明するとき、ルールベースなら測定値と適用した条件を追いやすい一方、例外が増えると全体の確認に手間がかかります。AIでは異常とした領域やスコアを確認できる場合がありますが、その表示だけで品質基準への適合を説明し終えたとはいえません。画像、設定の版、判定結果を残し、品質保証が基準と照合できる材料を揃えます。

調整に何度も使った画像だけで良好な結果が出ても、新しい製品で同様に判定できるかは未確認です。scikit-learnの公式資料は、テストデータをモデルの選択や学習に使うと性能を楽観的に評価し得ると説明しています。^[1] 学習、調整、最終確認の役割を分け、方式比較には条件を揃えた独立画像を使います。

比較結果から調整や方式選定を行った場合は、別の未使用画像で最終確認します。

ルールのしきい値を変える場合も、AIを再学習する場合も、以前は検出できた欠陥と正常なばらつきを再確認します。新しい品種や照明の変更をきっかけに影響範囲を点検し、更新の前後で比較してください。再学習すれば必ず改善するという前提は置きません。

変更者と承認者、設定・モデルの旧版の保管先を決めることで、問題が出たときの原因調査や復旧を進めやすくなります。

最初に一つの検査項目を選び、良品、不良品、判断が割れる限度付近の画像を集めます。それぞれに品種、ロット、撮像条件、良否の根拠を付け、手元にない正常変動や不良の種類を書き出してください。枚数だけを数えるより、何をまだ試せていないかを確認する方が、方式比較の条件を揃えやすくなります。

品質保証は良否基準とラベルを確認し、生産技術は撮像条件と検査に使える時間を整理します。システム担当や委託先には、ルール調整、再学習、独立評価の作業範囲を確認しましょう。情シスは画像の社外提供、閲覧権限、設定やモデルの変更権限を確認します。担当者が兼任する場合も、変更を承認する責任は明確にしておきます。

工場責任者には、機器・ソフトの費用に加えて、画像収集とラベル確認、品種替え、再検査、更新後の試験にかかる負担を示します。どの方法で、どの範囲まで確かめられ、何が未評価なのかを並べると、導入の可否を判断できます。

正常範囲や評価用の不良が不足しているなら、追加収集の計画も比較条件です。良否基準や運用分担がまだ揃わない段階では、要求整理の相談で前提を確かめてから方式を絞り込みましょう。