はんだ不良・部品ズレ・極性・ブリッジ・欠品といった電子基板の実装欠陥は、微細化と多品種化で年々捉えにくくなっています。AOIの考え方、照明と撮像の設計、画像AIによる多様な欠陥判定の観点を、元キーエンス画像処理事業部出身の知見を交えて解説します。
電子機器の心臓部であるプリント基板（PCB）には、抵抗・コンデンサ・IC・コネクタなど多種多様な部品が、はんだによって接合され実装されています。一枚の基板に数百〜数千点のはんだ接合部が存在することも珍しくなく、そのいずれか一点の不良が、製品全体の動作不良や市場での故障につながる可能性があります。だからこそ実装基板の検査は、製造現場の品質保証において極めて重要な工程と位置づけられてきました。
しかし、この検査は年々難しくなっていると考えられます。背景には、相反する二つの方向の変化が同時に進んでいることがあります。一つは部品の微細化、もう一つは多品種少量化です。この二つが検査を難しくする構造を、まず整理してみます。
実装検査で見つけたい欠陥は、ひとくくりにできません。代表的なものだけでも、はんだ量の過不足、はんだの濡れ不良（未溶融・イモはんだ）、隣接ランド間のブリッジ（短絡）、部品の位置ズレ・回転ズレ、極性部品の逆実装（極性誤り）、部品そのものの欠品（未実装）、誤った部品の搭載（誤実装）、リードの浮き、はんだボールや異物の付着など、多岐にわたります。
これらは見え方も、判定に使うべき特徴も異なります。たとえばブリッジは「本来離れているべき箇所がはんだでつながっている」という位置・連結の問題であり、はんだ量不足は「フィレット形状の体積感」の問題、極性誤りは「部品上のマーキングや切り欠きの向き」の問題です。一つのアルゴリズムやしきい値で全部を捉えようとすると、どこかに無理が出やすいと考えられます。
部品はますます小さくなっています。チップ部品は1005や0603といったサイズが一般的になり、さらに小さいものや、端子が部品の裏側に隠れるBGA・QFNといったパッケージも広く使われます。端子が見えない接合部は、外観だけでは状態を判断しづらく、検査の難所になりがちです。
同時に、生産は多品種少量・短サイクル化の傾向にあります。一つの製品を大量に流し続けるのではなく、品種を頻繁に切り替えながら少量ずつ流す現場では、検査プログラムの作り込みや段取り替えの負担が相対的に重くなります。一品種ごとに長時間かけてしきい値を追い込む従来のやり方は、こうした現場と相性が悪くなってきている可能性があります。本記事では、こうした構造を踏まえたうえで、外観検査自動化の全体像とも接続しながら、実装検査をどう設計するかを考えていきます。
実装基板の検査を自動化する仕組みは、一般にAOI（Automated Optical Inspection＝自動光学検査）と呼ばれます。カメラで基板を撮像し、画像処理によって各接合部・各部品の状態を判定する仕組みです。リフロー後の最終確認だけでなく、はんだ印刷後（SPI＝はんだ印刷検査）やマウント後など、工程の複数箇所に検査ポイントを置く考え方が一般的です。どこで何を捉えるかを工程全体で設計することが、後工程での見逃しや手戻りを減らす鍵になると考えられます。
AOIの判定ロジックは、大きく二つの発想に分けて理解すると整理しやすいと考えます。一つは基準との比較です。良品の基板や設計データ（ガーバー・部品配置データ）を基準として、検査対象がそこからどれだけ外れているかを見る発想です。部品の有無や位置ズレの検出と相性が良い一方、良品自体の個体差（はんだ形状のばらつきなど）が大きいと、基準との差が「正常なばらつき」なのか「不良」なのか切り分けにくくなります。
もう一つは特徴量による判定です。はんだフィレットの面積・輝度・色の分布、部品マークの向き、エッジの連結状態といった、欠陥種ごとに意味のある特徴を抽出してしきい値で合否を決める発想です。欠陥カテゴリに即した設計ができる反面、特徴とそのしきい値を欠陥種・品種ごとに作り込む必要があり、ここに前述の多品種化の負担が効いてきます。
検査設計で常につきまとうのが、不良を逃さない力（検出力）と、良品を誤って弾かない力（過検出の抑制）のバランスです。しきい値を厳しくすれば見逃しは減りますが、正常なばらつきまで不良として弾いてしまい、結果として人による再確認（目視リジェクト確認）の工数が膨らみます。逆に緩めれば工数は減りますが、見逃しのリスクが上がります。
この過検出が多すぎる状態は、現場でAOIが「使われなくなる」典型的な原因の一つだと考えられます。検査機が鳴るたびに人が確認し、その大半が実は良品だった、という状況が続くと、現場はアラートを軽視し始めます。したがってAOIの良し悪しは、単純な検出率ではなく、見逃しと過検出の双方を含めた運用全体の負担で評価する必要があると考えます。目視検査の限界と対策の議論とも共通する論点です。
画像検査というと、画像処理アルゴリズムやAIモデルに関心が向きがちです。しかし実務では、その前段にある照明と撮像（光学）の設計が、検査の成否の大半を左右する可能性が高いと考えます。どれほど高度な判定ロジックでも、欠陥が画像に写っていなければ判定のしようがないからです。逆に、欠陥が誰の目にも明らかなコントラストで写るように撮れていれば、判定ロジックはむしろシンプルに済みます。
はんだ接合部の検査が特殊なのは、対象が金属光沢を持つ三次元の曲面（フィレット）だという点です。鏡面に近い表面は、光をどの角度から当て、どの角度で受けるかによって、写り方が劇的に変わります。良好なフィレットは滑らかな曲面として光を反射し、濡れ不良や未溶融のはんだは異なる反射パターンを示します。
このため実装検査の照明では、異なる角度（仰角）に配置した複数色のリング照明を使い、フィレットの傾きに応じて反射する色が変わるように設計する考え方が広く知られています。フィレットの裾は低い角度の光を、頂部は高い角度の光を反射するため、結果としてはんだの三次元形状が色のグラデーションとして二次元画像に「翻訳」されます。形状を色で捉えるという発想です。こうした撮像条件の作り込みは、寸法・形状検査の考え方とも通じる、画像検査全体に共通する基礎になります。
厄介なのは、欠陥種ごとに「見えやすい撮り方」が異なる点です。極性マークや印字を読むなら均一な拡散光（同軸照明など）で陰影を消したい一方、はんだ表面の微細な凹凸や浮きを捉えるなら、あえて斜めから光を当てて陰影を強調したいことがあります。両者は要求が逆向きです。
そのため実務では、一回の撮像で全部を賄おうとせず、目的に応じて照明条件を切り替えて複数枚撮像し、それぞれから別の欠陥を捉えるという設計がしばしば採られます。ここで重要なのは、こうした条件出しは机上では決め切れず、現物の基板・現物の不良サンプルを使った試行錯誤を通じてしか追い込めないという点です。検証の場が必須になる理由がここにあります。
では、近年広がる画像AI（ディープラーニングやVLM＝視覚言語モデルを含む）は、実装検査において何を補完しうるのでしょうか。結論から言えば、従来のルールベース（しきい値）では設計が難しかった、個体差や見え方のばらつきが大きい判定に対して、判定の幅を広げる手段になりうると考えられます。万能の置き換えではなく、得意領域を見極めた補完という位置づけが現実的です。
はんだ形状や部品の見え方には、不良ではない正常な個体差が必ず含まれます。ルールベースでこれを許容しようとすると、しきい値を緩めざるを得ず、結果として本物の不良も通りやすくなります。画像AIは、多数の良品・不良サンプルから「正常とはどういう見え方の集合か」を学習することで、固定しきい値では切り分けにくかった境界を、より柔軟に扱える可能性があります。良品のばらつきが大きい現場ほど、この柔軟性の価値は高いと考えられます。
また、複数の欠陥カテゴリを一つの枠組みで扱える点も利点になりえます。ブリッジ・部品ズレ・極性・欠品といった見え方の異なる欠陥を、それぞれ専用ルールで個別実装するのではなく、欠陥種をラベル付けした学習データで一括して扱う設計が可能になる場合があります。これは多品種化で増え続ける作り込みの負担を、軽くしうる方向だと考えます。
一方で、画像AIには固有の注意点があります。第一に、学習データに含まれない種類の欠陥や、これまで見たことのない品種・ロットに対しては、判定が不安定になりうること。第二に、なぜその判定に至ったかが分かりにくく、現場が結果を信用しづらいこと（説明可能性の問題）です。実装検査のように、不良の見逃しが製品故障や市場クレームに直結する領域では、判定根拠を人が確認できることが運用定着の条件になりやすいと考えます。
したがって、AIに全てを委ねるのではなく、AIが判定の根拠とした注目領域を提示し、最終判断は人とAIで協働するという設計が、当面は現実的だと考えられます。撮像設計・教師データ・現場の合否基準が揃って初めてAIが機能する、という前提は崩さないことが重要です。
実装検査の自動化は、機器やAIを導入すれば完結するものではありません。むしろ導入後の運用設計でつまずく例が少なくないと考えられます。ここでは、現場でよく問題になりやすい落とし穴を整理します。いずれも、事前に想定しておくことで回避しやすくなるものです。
これらの落とし穴に共通するのは、技術そのものより「定義」「サンプル」「運用」という、現場側の準備に起因する点です。逆に言えば、ここを丁寧に詰めることが、検査自動化の成否を分ける可能性が高いと考えます。
実装検査を単独の検査機の性能問題として捉えるのではなく、SMTライン全体の品質づくりの一部として位置づける視点も重要だと考えます。リフロー後のAOIで不良を見つけることはもちろん大切ですが、その不良がなぜ発生したかを遡れなければ、同じ不良が流れ続けます。検査は「弾く」だけでなく「原因に気づく」ための情報源でもあります。
たとえば、特定のランドで濡れ不良が増えているなら、はんだ印刷の条件やリフロープロファイル、部品の保管状態に原因がある可能性があります。検査結果を一枚ごとの合否で終わらせず、欠陥種・位置・時系列で蓄積していくと、こうした傾向の変化に早く気づける可能性が高まります。検査データは、品質を後追いで保証するだけでなく、工程を前向きに改善するための材料にもなりうるということです。
こうした考え方は、検査を点ではなく面で捉える発想につながります。一台の検査機の判定精度を上げる努力と並行して、印刷検査（SPI）・実装後・リフロー後といった複数のチェックポイントの結果をつなげて見ることで、不良の発生源に近い段階で手を打てるようになります。検査の自動化は、その情報をデータとして扱いやすくするという副次的な価値も持っていると考えられます。
自動化が進んでも、人の役割がなくなるわけではないと考えます。合否基準を定義し、検査がうまく働いているかを監督し、新しい欠陥や品種に対応していくのは人の仕事です。検査の自動化は、人を置き換えるというより、人が判断すべき対象を「曖昧で重要なものに絞る」方向で寄与しうるものだと捉えるのが、現場に馴染みやすい考え方だと考えます。
ここまで述べてきたとおり、実装基板の検査自動化は、機器やAIの性能だけで決まるものではなく、欠陥定義・撮像設計・サンプル・運用が噛み合って初めて機能するものだと考えられます。では、実際にどう進めればよいのでしょうか。最後に、現実的なロードマップの考え方を整理します。
最初から全品種・全欠陥を一気に自動化しようとするのは、現実的でない場合が多いと考えます。むしろ、見逃しの影響が大きい欠陥や、過検出で人手がかかっている欠陥など、効果が見えやすい一点から始めるのが堅実です。対象を絞り、現物の良品・不良サンプルで撮像条件と判定を作り込み、そこで得た知見を他へ展開していく進め方が、リスクを抑えやすいと考えられます。
その際に欠かせないのが、現物・現場での検証（PoC）です。実装検査は前述のとおり、照明や撮像条件が机上では決め切れず、現物のはんだ・現物の不良を撮ってみて初めて分かることが多い領域です。カタログ上の精度ではなく、自社の基板・自社の不良で「捉えられるか」を確かめることが、投資判断の前提になると考えます。
Nsightには、キーエンスの画像処理事業部でセンサ・画像検査に携わってきたメンバーが関わっています。実装検査における照明と撮像の作り込み、過検出と検出力のバランス、現場で検査が「使われ続ける」ための運用設計といった論点は、いずれもカタログスペックだけでは見えてこない、現物と向き合う中で蓄積される知見の領域だと考えています。
私たちは、こうした知見を、机上の提案としてではなく、現場での検証を通じて一緒に確かめていくことを大切にしています。御社の基板・御社の不良サンプルを実際に撮像し、どこまで捉えられるか、どこに難しさが残るかを、現物に即して見極めていく——その積み重ねが、形だけで終わらない検査自動化につながると考えます。まずは小さな一歩として、対象を絞った検証から始めてみることをお勧めします。金属部品の外観検査など、近接する領域の取り組みも、考え方の参考になるはずです。
はんだ形状のように個体差が大きく、従来のしきい値設定が難しかった判定に対して、画像AIは判定の幅を広げる手段になりうると考えられます。ただし、欠陥が画像に明瞭に写るような照明・撮像の設計が前提であり、AI単体で全てが解決するわけではありません。学習用の不良サンプルや現場の合否基準とセットで初めて機能するため、現物での検証を通じて自社の基板で捉えられるかを確かめることをお勧めします。
AOIは自動光学検査の総称で、従来は良品との比較や特徴量のしきい値判定といったルールベースの手法が中心でした。画像AIはそこに、多数のサンプルから正常・不良の見え方を学習する手法を加えるものです。両者は対立するものではなく、ルールベースが得意な明確な判定はそのまま活かしつつ、個体差が大きく従来は作り込みが難しかった判定をAIで補完する、という組み合わせが現実的だと考えられます。
部品の裏側に端子が隠れるBGAやQFNといったパッケージは、外観（光学）だけでは内部の接合状態を捉えにくいのが実情です。光学検査では部品の有無や位置、周辺のはんだ状態など見える範囲を捉え、内部接合の確認が必要な場合はX線検査など別の手段との役割分担を検討するのが一般的な考え方です。光学検査の守備範囲を正しく見極めることが重要だと考えます。
品種ごとに検査条件を長時間かけて作り込む従来のやり方は、多品種少量の現場と相性が悪くなりがちです。一方で、新品種への展開のしやすさを評価軸に据え、対象を絞ってスモールスタートすれば、現実的に進められる可能性はあると考えます。重要なのは、段取り替えや条件調整の負担まで含めて運用全体で評価することです。現物での検証を通じて、自社の生産形態に合うかを見極めるのが堅実だと考えます。
最初から全品種・全欠陥を対象にするより、見逃しの影響が大きい欠陥や、過検出で人手がかかっている欠陥など、効果が見えやすい一点から始めるのが堅実だと考えます。対象を絞り、現物の良品・不良サンプルで撮像条件と判定を作り込み、そこで得た知見を他へ広げていく進め方であれば、リスクを抑えやすくなります。まずは小規模な現物検証（PoC）から始めることをお勧めします。
実装検査は、現物のはんだ・現物の不良を撮ってみて初めて分かることが多い領域です。元キーエンス画像処理事業部出身の知見を交え、御社の基板・不良サンプルでの現物検証から始めましょう。
現物検証について相談する