PCBA検査における致命的な弱点：AOIのカラーサンプリング(TOC)が部品の形状・構造を無視し欠陥を見逃す理由

概要：従来の色彩ベースAOIが抱える本質的欠陥

従来の自動光学検査（AOI）において、「カラーサンプリングアルゴリズム（TOC）」は、はんだ不足、ボイド、銅箔露出、誤部品、欠品といった一般的な欠陥の判定に多用されてきた中核手法です。そのロジックは単純で、ROI内の色画素の比率が設定された「基準輝度＋基準色度」の条件を満たしていればOK、満たしていなければNGと判定します。

しかし、この手法は実際の製造現場において、しばしば3つの重大な課題に直面します。その根本的な要因は、「形状や構造を見ず、色のみを見ている」点にあります。

カラーサンプリングアルゴリズム（TOC）における3大課題

課題1：照明変動に対する極端な脆弱性 

サンプリングアルゴリズムは、根本的に「色判定」に基づいています。しかし、色のみに依存するアプローチは、以下のような状況で破綻します。

• 照明角度がわずかに変化した時。

• 光量がわずかに調整された時。

• はんだペーストの反射率が変動した時。

• 基板の色味がわずかに異なる時。
  
  

  

図①において、色度三角形は許容される色範囲を示しています。「はんだ不足」の判定シナリオ（図②）では、正常なはんだ外観に合致する画素値を抽出するために、一般的にR: 0–65, G: 0–85, B: 70–180といったパラメータが設定されます。

色抽出アルゴリズムは、パラメータの調整によってモードを切り替えることが可能です。

• 輝度モード：RGB色度を0–180に固定し、輝度のみに基づいて判定（図①）。

• 色度モード：輝度を0–255に固定し、色度範囲に基づいて判定（図②）。

このため、わずかな色ズレが生じるたびに、エンジニアは以下の項目を継続的に調整せざるを得ません。

• 輝度範囲

• RGB境界値

• 画素比率のしきい値

➡️ TOCには汎用性がない — 製品切り替えのたびにモデルの再構築が必要

課題2：工程間で欠陥の色が大きく変化する

同一の欠陥であっても、例えば「はんだ不足」の色特性は工程ごとにまったく異なります。

• リフロー炉通過前のはんだ不足は、より明るく見える。

• リフロー炉通過後のはんだ不足は、暗くなり酸化を示す。

• 工場によって使用材料が異なる（例：水溶性ペーストと無洗浄はんだペーストの違いなど）。

• 色味を単一の三角形だけで定義することは到底不可能。

その結果、事前に設定したRGB範囲が不正確になりがちで、誤検出（フォールスポジティブ）と見逃し（フォールスネガティブ）が頻発する原因となります。

課題3：単一ピクセル基準のロジックが構造的特徴を無視している

カラーサンプリングアルゴリズムは、単一の画素が基準の輝度・色度範囲内に収まっているかどうかを判定します。しかし、実際の欠陥は「構造的」なものです。例えば、はんだ不足の特徴には以下が挙げられます。

• 面積の減少。

• 異常な形状。

• 不規則な反射。

• はんだ表面テクスチャの崩れ。

従来のTOCはこれらの構造的特徴を無視し、画素の色のみに依存しています。そのため光の反射に惑わされやすく、影をはんだ不足と誤判定したり、光沢のある金属面を銅箔露出と誤判定したりすることが頻発します。

AIによるブレークスルー：「色判定」から「視覚的理解」への進化

AI AOIの革新性は、色に依存するのではなく、「視覚的特徴」および「形状・テクスチャ」そのものを捉える点にあります。AIモデルは以下を学習します。

• 形状。

• テクスチャ。

• 部品の幾何学的構造。

• 凹凸の分布。

• 良品サンプルの全体的な特徴。

これにより、照明が明るくなったり暗くなったりしても、AIははんだ不足、ボイド、欠品の構造的特徴を正確に認識し続けることができます。

• 色度三角形に依存せず、輝度制限も不要です。

• 光源が変化しても、エンジニアがモデルを再構築する必要はもうありません。

ゴールデンサンプルからのAI自動学習

従来のサンプリングアルゴリズムでは、エンジニアがRGB範囲、輝度制限、面積比率のしきい値、ROIサイズなどを定義する必要がありました。

対照的に、AI AOIは「ゴールデンサンプル」画像を1枚用意するだけで、AIが基準モデルを自動構築します。

はんだ表面の形状、正常なはんだ接合部のテクスチャ、部品の幾何学的形状、明暗の特徴、基板材料の差異を自動で学習します。

• 数十項目に及ぶパラメータ設定が不要になります。

• 工程の変更があっても、設定を一からやり直す必要はありません。

欠陥判定が「画素」から「構造」へ次元を移行 

AIの認識ロジックは以下の通りです。

• はんだ表面の完全性を判定。

• 面積の異常を判定。

• 部品の位置ズレの有無を判定。

• 異物の有無を判定。

• テクスチャが正常かを判定。

• 欠陥が「誤部品」や「欠品」の真の形態と合致しているかを判定。

この安定性により、はんだ不足、ボイド、マンハッタン現象（立ち部品・反転）、ズレ、欠品、はんだクラック、誤部品の検出において、AIは従来のサンプリングアルゴリズムを圧倒します。

本質的差異の比較まとめ 

カラーサンプリングアルゴリズムは、黎明期のAOI導入を支え、歴史的に重要な役割を果たしました。しかし、SMT/PCBA工程や使用材料が複雑化する現在において、「色のみによる欠陥判定」はもはや今日の品質要求を満たせなくなっています。

AIがもたらす本質的な変革は一つ、AOIを「色ベース」から「視覚的理解ベース」へと進化させることです。

これにより、以下を実現します。

• 光源の一貫性に依存しない検査体制。

• 膨大な手動設定の撤廃。

• 極めて高い汎用性。

• 圧倒的な安定性、高精度、そして制御性の向上。

AOIのアップグレードをご検討ですか？

DaoAIのAI搭載AOIが、いかに誤検出を削減し、プログラミング時間を劇的に短縮し、迅速な投資回収を実現するかをご確認ください。