プリント基板AOIのフォールスコール（過検出）に悩む現場向けに、既存AOIを置き換えず後段で画像AIに二次選別させる実装論点を解説します。閾値調整との違い、データ収集、誤流出リスクの扱い、運用設計までを現物検証の観点で整理します。
プリント基板の実装ライン（SMTライン）では、はんだ印刷後・部品搭載後・リフロー後の各工程にAOI（Automated Optical Inspection、自動光学検査機）が配置され、はんだブリッジ・未はんだ・部品欠品・部品ずれ・極性誤り・フィレット不良といった項目を高速に検査するのが一般的です。AOIは数百〜数千点の検査ウィンドウを基板1枚あたり1〜数秒で処理する設計になっており、製造現場のスループットを支える要となっています。
一方で、AOIの判定ロジックは「あらかじめ定義したルール（明るさ・面積・位置ずれ量・色相など）が閾値を超えたかどうか」を基準にしていることが多く、ここに過検出の構造的な原因があると考えられます。基板の色味のばらつき、はんだの光沢の個体差、微小な部品の公差内のずれ、レジストの反射など、品質上は問題のない現象が閾値を踏み越えて「不良」と判定されてしまうケースが避けられないためです。
AOIの感度設定には、本質的なトレードオフがあります。閾値を緩めれば過検出は減りますが、本物の不良を見逃す「未検出（エスケープ）」のリスクが上がります。逆に閾値を厳しくすれば未検出は減りますが、過検出が増えます。プリント基板の不良は最終製品の信頼性に直結し、市場流出時の影響が大きいため、現場の多くは「未検出ゼロを優先し、過検出はある程度許容する」方向に倒して運用していると考えられます。
この設計判断自体は妥当だと考えます。問題は、その「許容した過検出」のしわ寄せが、AOI後段の目視確認（ベリファイ／リペアステーション）に集中する点にあります。AOIが「NG」と弾いた基板やポイントを、人が顕微鏡やモニタで一つずつ見て「これは本当に不良か、それとも過検出か」を仕分ける作業が発生します。
過検出が多いライン特有の難しさは、それが検査機の性能数値（カタログ上の検出率）には現れにくく、現場の人的工数として顕在化する点にあります。NG点数のうち実際の不良がごく一部で、残りの大半が過検出という状況になると、ベリファイ担当者は「ほとんど問題ない基板を、念のため確認し続ける」作業に時間を取られます。これは単なる工数の問題にとどまらず、確認が形骸化して本物の不良を見落とすリスク、判断のばらつき、夜勤帯での処理遅延といった二次的な課題にもつながりやすいと考えられます。
本記事が扱うのは、この「AOIが弾いたNG点を、人の代わりに（あるいは人の前段で）画像AIに二次選別させ、明らかな過検出を自動でパスさせる」というアプローチです。AOIそのものの是非や、AOIを丸ごと別物に置き換える話ではありません。検査の全体像については外観検査自動化のガイドや外観検査の限界と対処もあわせてご覧ください。
過検出が増えたとき、最初に検討されるのはAOI自体のチューニングです。検査ウィンドウごとの閾値を調整し、過検出を起こしているポイントの判定基準を緩める。あるいはマスク領域を設定して、特定の反射やマークを検査対象から外す。これらは正攻法であり、まず取り組むべき対応だと考えます。ただし、チューニングだけで過検出を十分に下げきれない局面があることも、現場では知られています。
前章で述べたとおり、AOIの閾値は過検出と未検出のトレードオフ曲線の上を動きます。過検出を減らそうと閾値を緩めると、その同じウィンドウで起こりうる本物の不良への感度も同時に下がります。「この過検出だけを消し、本物の不良は残す」という都合のよい線引きは、ルールベースの一次元的な閾値では難しいケースが多いと考えられます。過検出と真不良が、AOIの見ている特徴量（面積・明るさなど）の上で重なって分布しているからです。
個別の過検出パターンに対してマスクや例外ルールを足していく対応も、品種が増え、部品が小型化し、基板レイアウトが多様化するにつれて管理が難しくなっていきます。品種ごと・ポイントごとに積み上がった例外ルールは、誰がいつ何の意図で入れたのか追跡しにくくなり、メンテナンスの属人化を招きやすいと考えられます。新しい過検出が出るたびにルールを足す運用は、短期的には効きますが、長期的にはAOIプログラムの複雑化という別の負債に変わっていく可能性があります。
そこで本記事が提案するのは、AOIの一次判定ロジックには手を入れず、AOIが「NG」とした箇所の画像（ROI画像）を後段に渡し、別の画像AIに「これは本物の不良か、過検出か」をあらためて判定させる二段構えです。AOIは未検出を出さないよう高感度のまま走らせ、その出力に含まれる過検出を、画像の見え方そのものを学習した分類器でふるい落とす。役割を分離することで、AOIの強み（高速・高感度・既存資産）を活かしつつ、過検出だけを別レイヤで処理できると考えます。
この「二次選別」は、ディープラーニングによる分類や、近年のVLM（Vision Language Model）的なアプローチなど複数の実装手段が考えられます。手法の比較はVLMとディープラーニングの比較で扱っていますが、本記事では手法そのものより「後段選別という構成をどう成立させるか」に焦点を当てます。
後段二次選別を実装する際、最初に固めるべきは「何を入力に、何を出力するか」です。ここを曖昧にしたまま精度の議論に入ると、現場で機能しない仕組みになりやすいと考えます。
二次選別AIの入力は、AOIがNGと判定した「ポイント単位」のデータが基本になります。具体的には、AOIが出力する不良コード（はんだブリッジ・欠品・ずれ等の項目）、該当する検査ウィンドウの座標、そしてそのウィンドウを切り出したROI画像です。基板1枚を丸ごと再検査するのではなく、AOIが既に「ここが怪しい」と特定した箇所だけを見るため、扱う画像は小さく、判定対象も絞り込まれます。これは後段AIにとって有利な条件だと考えられます。判定すべき問いが「この狭い範囲は不良か過検出か」という二択に単純化されるためです。
AOIメーカーや機種によって、NG点のROI画像をファイルとして取り出せるか、座標から再撮像が必要か、といった連携可否は異なります。ここは現物のAOIで「画像とログをどう外部に出せるか」を確認することが、設計の出発点になると考えます。ハードウェア連携やエッジ／クラウドの処理場所の選択も関わる論点です。
二次選別AIの出力設計には、慎重さが求められます。素朴には「不良／過検出」の二値を返せばよいように思えますが、実運用では三つの帰結に分けて考えるのが現実的だと考えます。第一に、AIが高い確信度で「過検出」と判断したものは自動でパスさせ、人の確認対象から外す。第二に、AIが高い確信度で「不良」と判断したものは、確実に人のリペア工程へ回す。第三に、AIの確信度が低い（判断が割れる）ものは、安全側に倒して必ず人が確認する。
つまり二次選別AIの役割は「白黒をすべて自分でつける」ことではなく、「明らかに白いものを安全に取り除き、人が見るべき件数を減らす」ことに限定するのが、初期設計としては妥当だと考えます。グレーゾーンを無理に自動判定させようとすると、後述する誤流出リスクが顕在化しやすくなります。
はんだブリッジ、部品ずれ、欠品、極性、フィレット形状など、AOIの不良コードによって過検出の出やすさも、見逃したときの重大度も異なります。したがって二次選別の「自動パスに回してよい確信度の線引き」は、不良モードごとに分けて設定するのが現実的だと考えます。たとえば「過検出が大量に出るが、万一の見逃しの影響が比較的小さいモード」は自動パスの範囲を広めにとり、「見逃しの影響が大きいモード」は二次選別を確信度の高い過検出に限定する、といった具合に、モードごとにリスクを切り分けて設計する発想です。
後段二次選別AIの成否は、学習データの質に大きく依存すると考えられます。とりわけ難しいのが「過検出（フォールスコール）」というラベルの確保です。
幸い、過検出が多い現場には、貴重なデータが日々生成されています。AOIがNGと弾いたポイントを、ベリファイ担当者が「実不良（リペアへ）」「過検出（パス）」と仕分けた結果です。この仕分け結果は、まさに二次選別AIが学習したい「AOIのNG出力に対する正解ラベル」そのものだと考えられます。ベリファイ端末のログとAOIのNGログ・ROI画像を紐づけて蓄積できれば、追加のラベリング工数を最小化しながら学習データを集められる可能性があります。
ここで重要なのは、データを「使える形」で残す仕組みを最初に整えることです。AOIのNG点と、それに対する人の最終判定、対応するROI画像。この三つが後から突き合わせられるよう設計しておくことが、データ資産化の前提になると考えます。工場のデータ基盤の考え方はファクトリーデータ基盤でも触れています。
過検出が大半を占めるラインでは、学習データもまた「過検出が圧倒的多数、実不良が少数」という強い不均衡を抱えます。この状態で素朴に分類器を学習させると、「すべて過検出」と答えるだけで見かけの精度が高く出てしまい、肝心の実不良を取りこぼす危険があります。実不良サンプルの収集を意図的に厚くする、不均衡を補正した学習を行う、評価指標を「全体精度」ではなく「実不良の取りこぼし率（リコール）」中心に据える、といった対応が必要になると考えます。
プリント基板は品種が多く、部品や基板材料のロットによって色味や反射が変わります。ある時点のデータで学習したモデルが、新品種や材料変更後にそのまま通用するとは限りません。二次選別AIは「一度作って終わり」ではなく、ベリファイ結果を継続的に取り込んでモデルを見直す運用を前提に設計するのが現実的だと考えます。経時的なドリフトを監視し、過検出パスの判定が甘くなっていないかを定期的に確かめる仕組みは、運用モニタリングの観点とも重なります。
後段二次選別を導入するうえで、最も慎重に扱うべきリスクは明確です。「AIが過検出だと思って自動パスさせたものの中に、実は本物の不良が混ざっていた」という誤流出です。これはAOI単体では（高感度ゆえに）人の目に回されていたはずの不良が、二次選別という新たな関門で素通りしてしまう事態を意味します。導入によって検査の最終的な見逃し率を悪化させては、本末転倒です。
この問題に向き合うとき、過検出削減率という単一の指標だけを追わないことが大切だと考えます。「人が見る件数をどれだけ減らせたか」と「本物の不良をAIが誤ってパスさせていないか」は別々に、かつ後者を優先して評価すべき指標です。二次選別の効果検証では、AIがパスさせたサンプルを一定期間は人が並行で確認し、その中に実不良がどれだけ含まれていたかをゼロに近づけられているかを、現物で確かめることが前提になると考えます。
リスクを抑えた導入の進め方として、初期はAIの判定で基板の運命を確定させず、「人が見る順番を変える・優先度をつける」用途に留める設計が考えられます。たとえばAIが「ほぼ確実に過検出」と判断したものを後回しの低優先キューに、「不良の疑いが残る」ものを優先キューに振り分ける。最終判定は人が握ったまま、人の注意を本当に見るべきものへ集中させる。この段階で十分なデータと信頼が蓄積できてから、確信度の高い過検出だけを自動パスへ移行する、という二段階の進め方が安全だと考えます。
二次選別AIが「なぜ過検出と判断したか」を、人が事後に確認できる形で残すことも重要だと考えます。どのROI画像に対し、どの不良コードで、どの確信度でパス／エスカレーションしたかのログが残っていれば、万一の流出時に原因を追跡でき、モデル改善にも回せます。ブラックボックスのまま自動パスを広げるのではなく、判断の透明性を保ちながら適用範囲を慎重に広げる姿勢が、信頼性が問われるプリント基板検査では特に求められると考えます。
後段二次選別は構成としては明快ですが、現場に載せる段階でいくつかの典型的なつまずきがあると考えられます。あらかじめ把握しておくことで、回避できる可能性が高まります。
これらはいずれも、机上の設計より現物・現場での確認でしか潰せない論点が多いと考えます。PoCの進め方や失敗要因はAI検査PoCが失敗する理由もあわせてご覧ください。
最後に、後段二次選別をどの順序で立ち上げていくか、現実的なロードマップを整理します。一足飛びに自動パスへ進むのではなく、リスクを抑えながら適用範囲を広げる段階設計が望ましいと考えます。
まずはAOIのNGログ・ROI画像と、ベリファイ工程の最終判定を突き合わせられる状態を作り、「NG点のうち実不良はどれだけで、過検出がどれだけか」を品種・不良モード別に可視化します。この時点では何も自動化しません。自社ラインの過検出が本当に二次選別で減らせる構造なのか、どのモードに過検出が集中しているのかを、データで確かめる段階です。工程の見える化はプロセスの可視化の発想とも通じます。
蓄積したデータで二次選別モデルを作り、まずは判定を確定させず「人が見る優先順位づけ」として並行稼働させます。AIがパスさせたであろうサンプルを人が引き続き全数確認し、誤流出がどれだけ抑えられているかを実測します。ここで不良モードごとに「自動パスに回してよい確信度の線」を、現物の結果から探っていきます。
誤流出が十分に抑えられていることを確認できた不良モード・確信度帯から、段階的に自動パスへ移行します。移行後も、パスしたサンプルの抜き取り確認とモデルの監視を継続し、品種追加・材料変更のたびに判定が劣化していないかを見直します。一度に全モードを自動化しようとせず、確かめられた範囲から広げる姿勢が、信頼性の問われるプリント基板検査では特に重要だと考えます。
ここまで繰り返し述べてきたとおり、後段二次選別の設計は「自社のAOIから何が取り出せるか」「過検出と実不良が画像上でどれだけ分離できるか」「タクト内に収まるか」「現場が信頼できるか」といった、現物でしか確かめられない論点の上に成り立ちます。一般論として過検出削減の余地が大きいラインは少なくないと考えられますが、効果の大きさは現場ごとに異なり、机上で断定できるものではありません。
Nsightでは、元キーエンス画像処理事業部出身の監修者の知見を踏まえ、まず自社ラインのAOI出力とベリファイ判定を持ち寄って「過検出が二次選別で減らせる構造か」を一緒に見極めるところから始めることを推奨しています。AOIを置き換えるのではなく、既存資産を活かしながら人の工数だけを減らす設計が成立するかどうかを、現物・現場での検証を通じて確かめていく進め方が現実的だと考えます。具体的な検証の組み立てはPoC／検証コンサルティングやAI外観検査サービスもご参照ください。
本記事のアプローチは、既存AOIの置き換えを前提としていません。AOIは高感度のまま走らせて未検出を抑え、そのNG出力に含まれる過検出だけを後段の画像AIでふるい落とす構成です。AOIの強みと既存資産を活かしつつ、人が見る件数を減らすことを狙います。ただし、AOIからNG点のROI画像やログを外部に取り出せるかは機種により異なるため、現物での連携可否確認が出発点になると考えます。
その誤流出こそが最大のリスクであり、設計上の最優先事項として扱う必要があると考えます。初期は判定を確定させず「人が見る優先順位づけ」に留め、AIがパスさせたサンプルを人が並行で全数確認して誤流出を実測します。十分に抑えられた不良モード・確信度帯に限って段階的に自動パスへ移行する進め方が安全だと考えます。過検出削減率と見逃し率は別々に評価することが前提です。
過検出が多い現場では、ベリファイ工程で人が「実不良／過検出」を仕分けた結果が日々生成されています。この判定を、AOIのNGログ・ROI画像と紐づけて蓄積できれば、追加ラベリングを最小化しながら学習データを集められる可能性があります。重要なのは、NG点・人の最終判定・ROI画像を後から突き合わせられる形で残す仕組みを最初に整えることだと考えます。
品種数の多さや材料・部品ロットによる色味・反射の変化は、二次選別AIにとって現実的な課題です。一度作ったモデルが恒久的に通用する前提を置かず、ベリファイ結果を継続的に取り込んで再学習し、判定が劣化していないかを監視する運用を前提に設計することが現実的だと考えます。経時的なドリフトの監視は運用の一部として組み込むべき論点です。
過検出削減の余地が大きいラインは少なくないと考えられますが、効果の大きさは過検出と実不良の画像上の分離しやすさ、不良モードの構成、タクトタイムなど現場固有の条件に依存し、机上で断定できるものではありません。まずは自社のAOI出力とベリファイ判定を持ち寄り、二次選別で減らせる構造かをデータで見極めるところから始めることを推奨しています。
AOIのNG出力とベリファイ判定を持ち寄れば、過検出が後段の画像AIで減らせる構造かを現物データで見極められます。元キーエンス画像処理事業部出身の監修者とともに、現場での検証から進め方を組み立てます。
過検出削減の検証を相談する