違いが表れるのは、照明が変わったときや新しい欠陥が現れたときです。ルールベースではアルゴリズムを書き直す必要がありますが、ディープラーニングなら学習させるだけです。過検出が多く、結局は人が再確認しているラインほど、移行の効果が大きくなります。
用語
- AOI (Automated Optical Inspection)
- 部品を撮像し、外観を判定する装置
- ルールベース
- しきい値や形状ルールなど、人が定義した条件による判定
- 過検出
- 良品を不良と判定すること。再検査の工数が増えます
- 見逃し
- 不良品を良品と判定すること。不良流出につながります
- セグメンテーション
- 欠陥領域をピクセル単位で分割し、位置と面積を算出すること
実際に何が違うのか
- 照明・位置の変化
- ルールベースは敏感 / ディープラーニングは頑健
- 新しい欠陥タイプ
- ルールベースはアルゴリズムの更新が必要 / ディープラーニングは約5枚で学習
- 複雑なテクスチャ（BGA、QFN）
- ルールベースは分類が困難 / ディープラーニングは分類可能
- 欠陥の定量化
- ルールベースでは困難 / ディープラーニングはピクセル単位で面積と位置を算出
- 検出分解能
- ルールベースは通常5ピクセル以上が必要 / DSTEK は2～3ピクセルで検出
移行しなくてよい場合
- 単一品種で照明が固定され、欠陥の種類も何年も変わらないラインなら、ルールベースで十分です。
- 外観判定がなく、寸法計測だけを行う工程も同様です。
- 逆に、品種の切り替えが多い、欠陥の種類が増え続けている、あるいは過検出の再確認に人手を取られているなら、移行の根拠は明確です。
関連製品・ソリューション
技術資料