外観検査ガイドブック

外観検査が成り立つ4つの段階。「何を不良とするか」を決めることが自動化の出発点である理由と、限度見本での境界の共有。AIでも定義は不要にならないこと。

欠陥から逆算してカメラ・レンズ・照明を決める考え方。エリアとラインスキャン、明視野と暗視野、波長の選び方。欠陥サイズから必要な分解能を逆算する計算例まで。

判定基準を人が書くか、データから学ぶか。それぞれの得意・不得意と、説明性・保守性の違い。「例外の積み重ね」がAIを検討する合図になること。併用という選択肢。

出力の違い（分類・検出・領域抽出）と、学び方の違い（教師あり・教師なし）。必要なデータ量の目安と、枚数より大切なこと。現場での学習を必要としないゼロ学習AI。

ソフトの裏側で行われる「縮小」と「分割」が、検出と処理時間に与える影響。処理時間の内訳と、処理用PCの選び方。ベンダーを比較するときに確認したいこと。

手法を選ぶための3つの問い。欠陥の種類とワークの特性という2つの軸で第一候補を絞り込む方法と、対象別の検討例。

撮像トリガ、DIOとPLC通信の使い分け、異常時の取り決め。タクトタイムと排出までのタイミング、結果とワークを取り違えないための設計。データ記録とトレーサビリティ。

PoCの進め方と、本導入につなげるためのポイント。不良品が少ないときのデータの集め方。見逃しと過検出のどちらを優先するか。再学習のルールの決め方と、よくある落とし穴。