AI外観検査とは何か、ルールで判定する従来のマシンビジョンとどこが違うのか、どんな不良に向き、向かないのか、サンプルの確認からラインへの適用までの導入の進め方をまとめました。
AI外観検査は従来のマシンビジョンによる検査と何が違い、自社のラインに合うかをどう判断すればよいですか？
従来のマシンビジョンは人が決めたルール（明るさ、大きさ、位置）で判定し、AI外観検査は良品と不良品の画像を学習したモデルで判定します。スクラッチや異物のように形がさまざまでルールにしにくい不良に適しています。ただし画像に不良が写っていなければAIにも見つけられないので、撮影から確認し、自社製品のサンプルで試験してから決めます。
AI外観検査は、カメラで撮った製品の画像を学習済みのモデルが見て、良品と不良を分けたり不良の位置を見つけたりする検査です。外観検査を人の目で行っていた工程や、ルールで判定するマシンビジョンではうまく分けられなかった工程で使われます。
カメラと照明が先で、AIはその次です。画像に不良が写っていて初めて、モデルは学習できます。
二つのうち一つだけを選ぶ必要はありません。寸法は測定で測り、外観不良はAIで見るというように、一つのラインで併用する場合が多くあります。IntLearn Proにも、AIエンジンと一緒に寸法計測（IntMeasurement）モジュールが入っています。
AIを先に検討してよい場合です。
ほかの方法を先に見たほうがよい場合です。
不良がまれなラインほど、よく出る質問です。方法はいくつかあり、どれが合うかは製品を見ないとわかりません。
それでも実際の不良サンプルがあれば、試験結果はずっと信頼できます。不良サンプルのない試験では、見逃し率を計算できません。
お使いの装置があれば、ステップ1で保存済みの画像から見ます。詳しい項目は既存の検査装置にAIを追加するときに確認する項目にあります。
精度の数字一つでは判断しにくいものです。見逃した不良（見逃し）、良品を不良としたもの（過検出）、ライン速度についていけるか（処理量）を、同じサンプルで一緒に見ます。評価単位を画像にするか製品にするかも先に決めます。見逃し・過検出・処理量の確認方法に、表の形式とあわせてまとめました。
この記事は一般的な説明です。自社製品に適用できるかどうかは、サンプルと撮像条件、工程を検討して初めてわかります。照明とカメラを変えずに済むか、どのエンジンが合うかも同じです。