「また偽陽性か」と溜め息をつきながら、NG品を手作業で再確認したことはありませんか。
AOI（自動光学検査）は、品質保証の要として製造ラインに導入されたはずです。
しかし過検出が多すぎると、本来の効果が失われるどころか、現場の負担を増やす「罰ゲーム装置」になってしまいます。
過検出率が10%を超えると、熟練オペレーターでも1日に数百枚の誤検出品を目視再確認しなければならない場合があります。
これは単なる工数の無駄ではなく、「いつか本物の不良を見逃す」という深刻なリスクを生み出します。
この記事では、AOIの過検出が起きるメカニズムを画像処理の原理から丁寧に解説し、現場で即実践できるチューニング手順を7つのステップで体系化します。
装置メーカーのマニュアルには載っていない、現場エンジニアの試行錯誤から蒸留したノウハウをお届けします。
読み終えたときには、「なぜ過検出が起きているのか」を自分の言葉で説明でき、パラメータに自信を持って手を入れられるようになっているはずです。
AOI過検出とは何か｜その定義とビジネスへの影響
過検出の削減は、単なる「装置の使い勝手」の問題ではありません。
品質管理システム全体の信頼性と、ライン生産性に直結する経営課題です。
過検出（偽陽性）と見逃し（偽陰性）の違い
AOIの検査結果は、大きく4つに分類されます。
「真陽性（True Positive）」は、不良品を正しくNGと判定したケースです。 AOIが正しく機能している、最も望ましい状態です。
「真陰性（True Negative）」は、良品を正しくOKと判定したケースです。 これも正常動作であり、ライン通過品の大部分はここに属します。
「偽陽性（False Positive）」が、今回のテーマである過検出です。 良品であるにもかかわらず、AOIがNGと誤判定してしまうケースです。
「エスケープ逆方向の誤り」とも呼ばれ、再確認工数の増加と現場混乱を引き起こします。
「偽陰性（False Negative）」は、不良品を見逃してOKと判定するケースです。
これは流出不良につながる最も危険な誤りで、顧客クレームやリコールの原因になります。
重要なのは、過検出（偽陽性）を減らすチューニングと、見逃し（偽陰性）を減らすチューニングは、一般的にトレードオフの関係にあるという点です。
「とにかく厳しく検査すれば良い」という考え方は誤りで、最適なバランスポイントを見つけることが、チューニングの本質的な目標です。
現場では「過検出率（False Call Rate：FCR）」と「見逃し率（Escape Rate）」の2つを同時にモニタリングしながら、最適解を追求することが求められます。
過検出が現場にもたらす3つのコスト
過検出が多い状態を放置すると、3つの深刻なコストが発生します。
コスト1：再確認工数の増大
AOIでNGと判定された基板は、オペレーターや検査員が目視または再検査機で確認する必要があります。
過検出が多いほど、この工数が指数的に増加します。
たとえば1ラインで1日1,000枚の基板を流し、過検出率が5%であれば50枚の再確認が必要です。
1枚あたり3分の確認時間を仮定すると、それだけで150分＝2.5時間の工数が毎日発生することになります。
この時間は、付加価値を生まない純粋なロスです。
コスト2：検査員の判断力の低下（アラーム疲れ）
「どうせ誤検出だろう」という先入観が生まれると、検査員の集中力が低下します。
これは「アラーム疲れ（Alarm Fatigue）」と呼ばれる現象で、医療分野でも深刻な問題として認識されています。
AOIの過検出が多い現場では、本来発見すべき本物の不良を見逃すリスクが高まります。
過検出が引き起こす最大の危険は、「偽陰性の増加」という逆説的な結果です。
コスト3：品質システムへの信頼失墜
過検出が多いAOIは、現場から「あの機械はあてにならない」と認識されます。
一度信頼が失われると、AOIの判定を無視してラインを流す（いわゆる「AOIの形骸化」）という最悪の状態に陥ります。
せっかく導入した品質管理システムが機能不全に陥るのです。
過検出が発生するメカニズムを理解する
「なぜ過検出が起きるのか」を理解せずにパラメータを変更するのは、目を閉じて手術するようなものです。
メカニズムを知ってこそ、適切な処置が打てるようになります。
画像処理の基本：AOIが「見ている」もの
AOIは、基板をカメラで撮影した画像を、あらかじめ登録した「基準画像（マスター画像）」と比較することで検査を行います。
この比較処理の中心にあるのが、差分検出とパターンマッチングです。
差分検出（Difference Detection）
AOIは基準画像と検査画像の各画素（ピクセル）の輝度値を比較し、差分が設定された閾値（しきい値）を超えた領域をNGとして検出します。
差分の大きさ、分布、形状によって、はんだ不足・欠品・ショートといった不良の種類を分類します。
パターンマッチング
部品の有無や位置ずれの検出には、テンプレートマッチングが使われます。
登録されたテンプレートと検査対象を照合し、一致度（相関スコア）が閾値を下回った場合にNGと判定します。
この2つの処理において、「本物の不良ではないのに差分・不一致が生じる」ことが過検出の根本原因です。
参考として、画像処理の基礎原理については、OpenCVの公式ドキュメント（https://docs.opencv.org/）が詳しく解説しています。
過検出の4大原因とその特徴
現場経験から見ると、過検出の原因は大きく4つに分類できます。
原因1：照明ムラ・反射ノイズ
AOIの照明が基板表面に均一に当たらないと、局所的に輝度が変化して偽の差分が生じます。
特に以下の状況で発生しやすいです。
- 基板端部や大型部品の影になる領域
- コンフォーマルコーティングの施された基板（反射率が局所的に変化する）
- 高光沢のはんだ面やメッキ処理された電極部
原因1による過検出は、「特定の物理的な位置（座標）に集中する」という特徴を持ちます。
エラーログで座標分布を確認したとき、特定のXY座標に偏りがあれば、照明問題を疑うべきです。
原因2：基準画像（マスター画像）の品質不足
マスター画像に問題があると、正常品を撮影するたびに「マスターとの差分」が生じます。
主な問題点は以下の通りです。
- マスター登録時の基板が代表性に欠ける（個体ばらつきの範囲を網羅していない）
- マスター画像が経年劣化した照明条件や旧ロット部品で作成されている
- マスター更新の頻度が不足し、現在の生産実態と乖離している
この場合の過検出は、「特定の部品・座標ではなく、基板全体に散らばる」という特徴を示します。
原因3：検査ウィンドウ（ROI）の設定ミス
各部品の検査は、ROI（Region of Interest：検査領域）という矩形または多角形の枠の中で行われます。
ROIが実際の部品より大きすぎると、隣接する部品や基板パターン、シルク印刷が検査対象に入り込み、偽の差分を生じさせます。
特に発生しやすいケースは以下の通りです。
- 実装位置のばらつきに対してROIマージンが狭すぎる（部品がROI端に掛かる）
- 部品の高さ方向のばらつきによって影の位置が変化する
- 基板設計変更後にROIが更新されていない
原因4：閾値設定の不適切さ
閾値が厳しすぎると、正常なばらつきまでNGと判定します。
特に閾値の問題は、「同じ部品・同じ位置から毎回過検出が出る」という再現性のある形で現れます。
たとえばはんだ量が仕様の上限付近にある場合、閾値が厳しすぎると毎回NGが出ますが、目視では明らかな良品です。 このケースでは、閾値を緩めることで過検出を解消できます。
チューニング前に必ずやるべき事前準備
チューニングは「感覚」ではなく「データ」で行うものです。
事前準備を省くと、パラメータを変更した後に「前より良くなったか悪くなったか」が分からなくなります。
データ収集とベースライン測定の方法
チューニングに着手する前に、必ず現状のベースラインを数値で記録します。
測定すべき指標は以下の3つです。
指標1：過検出率（FCR：False Call Rate）
過検出率 ＝ 偽陽性件数 ÷ 検査基板総枚数 × 100（%）
この値を「現在のFCR」として記録します。 チューニング後の改善効果を測定する際の基準になります。
理想的な目標値は業種・製品によって異なりますが、一般的に以下が目安とされています。
| 製品カテゴリ | 目標FCR |
|---|---|
| 民生向け基板 | 3%以下 |
| 産業機器基板 | 1～2%以下 |
| 車載・医療向け基板 | 0.5%以下 |
指標2：部位別・不良種別の内訳
どの部品（または座標）で過検出が多いかを集計します。 エラー件数の多い上位20%の部位に集中してチューニングすることで、全体の80%の改善効果が得られるというパレートの法則が、AOIチューニングにも当てはまります。
指標3：同時確認：見逃し率（Escape Rate）
チューニング中に見逃し率を悪化させないために、チューニング前の見逃し率も把握しておきます。
過去の検査データや、既知不良サンプルを使って見逃し率を算出してください。
見逃しサンプルが手元にない場合は、意図的に不良を作成した「標準不良サンプル（Golden Bad Board）」を用意することを強くお勧めします。
チューニング後に標準不良サンプルを再検査し、全不良が検出できているかを必ず確認してください。
過検出ログの正しい読み方
AOI装置は検査のたびにエラーログを記録しています。
このログを正しく読み解くことが、効率的なチューニングの前提です。
ログから読み取るべき4つの情報
- エラーが集中している「部品番号（Reference Designator）」と「不良コード」
- エラーが集中している「基板上の座標（XY）」
- 「時間帯」や「ロット番号」との相関（特定ロットや時間帯に偏っているか）
- 「繰り返し性」（同じ部品が毎回NGになるか、ランダムにNGになるか）
繰り返し性の高いエラー（毎回同じ場所からNGが出る）は、パラメータ設定の問題である可能性が高く、チューニングで改善しやすい案件です。
一方、ランダムに発生するエラーは、照明の安定性・コンベア振動・基板のそり・カメラの焦点ずれといった物理的な要因が絡んでいることが多く、パラメータだけで解決しようとするのは危険です。
過検出を減らすパラメータ設定｜実践チューニング7ステップ
いよいよ実践的なチューニング手順に入ります。
以下の7ステップを順番に実施することで、見逃しリスクを最小化しながら過検出を系統的に削減できます。
必ず「1ステップごとに効果を検証する」というルールを守ってください。
複数のパラメータを同時に変更すると、どの変更が効いたか分からなくなり、問題が発生したときに戻せなくなります。
ステップ1：検査ウィンドウ（ROI）の見直し
ROIの設定見直しは、過検出削減において最も効果が高く、かつリスクが低いアプローチです。
多くの現場で、ROIの適切な調整だけで過検出率を20～40%削減できた事例があります。
ROI見直しの手順
まず、過検出が多い部品のROIをAOIのプログラム編集画面で確認します。 実際の部品サイズと比較したとき、ROIに過剰なマージンがあれば縮小します。
縮小量の目安は、部品実装位置の標準偏差の3倍（±3σ）の範囲内に収まる大きさです。
次に、ROIが隣接するシルク印刷・ランド・ビアの上に掛かっていないかを確認します。
わずかでも掛かっている場合は、ROIを調整して干渉を排除します。
注意点として、ROIを小さくしすぎると部品の端部が検査範囲外になり、見逃しが増えます。
縮小後は必ず標準不良サンプルで見逃し確認を行ってください。
現場での経験知
部品の実装位置ばらつきが大きいラインでは、単にROIを縮小するだけでなく、「ソフトROI（実装位置に追従して動的に調整されるROI）」機能が使えないかを装置メーカーに確認することをお勧めします。
この機能は近年のAOI装置に搭載されているケースが増えており、実装ズレに起因する過検出を根本から解決できます。
ステップ2：照明・露光条件の最適化
照明の問題による過検出は、パラメータを変更しても根本解決にはなりません。 照明条件を先に安定させることが、下流のパラメータ調整を有効にする前提条件です。
照明チェックの手順
まず、装置の照明ユニットの汚れ・劣化を確認します。 LEDパネルに汚れや黒化が見られる場合は清掃または交換してください。
照明の輝度が初期設定から10%以上低下していれば、定量的に補正が必要です。
次に、カメラの露光時間（シャッタースピード）とゲイン設定を見直します。
基板全体の平均輝度が、装置メーカーの推奨値（多くの場合、グレースケール127～180の範囲）に収まっているかを確認します。
過露光（ハレーション）・アンダー露光（暗部の情報欠落）はどちらも過検出の原因になります。
反射ノイズへの対処
光沢面からの正反射（鏡面反射）が強い場合は、照明の角度を変更するか、偏光フィルターの導入を検討します。
同軸落射照明と斜め照明を切り替えることで、反射ノイズを劇的に軽減できることがあります。
どちらが有効かは基板特性に依存するため、両方を試して画像品質を比較してください。
ステップ3：基準画像（マスター画像）の更新
マスター画像の品質が低い状態でパラメータをいくら調整しても、過検出は完全には解消しません。
適切なマスター画像の作成は、チューニングの基盤工事にあたります。
良質なマスター画像の条件
良質なマスター画像とは、「そのラインで生産されうる良品の典型的な姿」を代表するものです。 具体的には以下の条件を満たすことが必要です。
- 実装ばらつきや部品の外観ばらつきを含む複数の良品（最低5枚、理想は10～20枚）を平均化したもの
- 最新の生産ロットで使用されている部品メーカー・品番で作成されたもの
- 現在の照明・露光条件と一致する環境で撮影されたもの
マスター更新のタイミング
以下のいずれかに該当する場合は、マスターの更新を検討してください。
- 部品メーカー・品番の変更（外観が変わると差分が増加する）
- 基板の製造ロット変更（レジスト色・ランド仕上げの微妙な違いが出ることがある）
- 照明ユニットの交換・清掃後（輝度バランスが変化する）
- 過検出が急増した（突発的な増加はマスターの陳腐化サインであることがある）
現場での経験知
「Golden Board（ゴールデンボード）」と呼ばれる完全品を1枚登録するだけでマスターを作成しているケースを、現場でよく見かけます。
しかしこの方法では、その1枚に固有のばらつきがマスターに取り込まれてしまいます。
複数枚平均化の手法が使える装置では、必ず複数枚登録を実施することを強くお勧めします。
ステップ4：閾値（しきい値）の段階的調整
閾値の調整は、過検出と見逃しのバランスを直接制御する操作であり、チューニングの核心です。
ここでは「段階的に」「データを見ながら」変更することが絶対条件です。
閾値調整の基本原則
閾値を緩める（値を大きくする）と過検出は減りますが、見逃しリスクが高まります。 閾値を厳しくする（値を小さくする）と見逃しリスクは下がりますが、過検出が増えます。
この関係を理解した上で、以下の手順で段階的に調整します。
手順1：現在の閾値から5～10%の範囲で緩める（または厳しくする）変更を1ステップとして実施します。 絶対に一気に大きく変えてはいけません。
手順2：変更後に同じ検査サンプル（標準良品サンプル＋標準不良サンプル）を再検査します。
手順3：FCR（過検出率）と見逃し率の両方を測定し、変更前と比較します。
手順4：改善が見られた場合は同方向にもう1ステップ変更し、悪化した場合は即座に戻します。
部品別閾値の優先順位付け
全部品の閾値を一括調整することは避けてください。 エラーログの分析（ステップ0の事前準備）で特定した、過検出件数の多い上位部品から優先的に個別調整します。
このアプローチにより、変更の影響範囲を限定しながら、効率的に改善を積み重ねることができます。
数値例：閾値調整の効果測定
以下は実際の調整例として参考にしてください。
チップ抵抗（0402サイズ）の過検出が多い場合を例にとります。
現在の検出感度閾値が50（任意単位）に設定されているとします。
- 閾値50の状態：FCR 8%、見逃し率 0.1%
- 閾値55に緩和後：FCR 4%、見逃し率 0.1%（見逃し率不変で過検出率半減）
- 閾値60に緩和後：FCR 2%、見逃し率 0.3%（さらに改善だが見逃し増加）
- 閾値65に緩和後：FCR 1%、見逃し率 1.2%（見逃しが許容できない水準に）
この例では、閾値55が最適解となります。
ステップ5：フィルタリングの活用
AOI装置には、画像に対してフィルタリング処理を行うことでノイズを除去する機能が備わっています。
フィルタを適切に使うことで、照明ムラや表面テクスチャに起因する過検出を減らすことができます。
主要なフィルタの種類と用途
スムージングフィルタ（平均化フィルタ・ガウシアンフィルタ）は、高周波ノイズ（細かいざらつき）を除去する効果があります。
基板表面のレジストテクスチャや微細な傷によって生じる過検出に有効です。
ただし、過度に適用すると細かい不良（微細なクラックや端部の欠け）も検出できなくなるため、カーネルサイズは3×3または5×5程度から試すことをお勧めします。
エッジ強調フィルタは、部品の輪郭を際立たせる効果があります。
チップ部品の位置ずれ検出や、部品の有無判定に使用しますが、照明ムラがある状態でエッジ強調を強くかけると、逆に過検出が増えることがあるため注意が必要です。
モルフォロジーフィルタ（膨張・収縮処理）は、検出された欠陥領域を拡大または縮小する処理です。
孤立した微小ノイズ点を除去する「収縮→膨張（オープニング処理）」は、ランダムな1点ノイズによる過検出を効果的に除去できます。
フィルタ適用時の注意点
フィルタの強度を上げると画像の情報量が減少し、本来検出すべき不良の見逃しにつながる場合があります。 フィルタを変更するたびに、標準不良サンプルでの再確認を怠らないでください。
ステップ6：検査アルゴリズムの選択と切替
多くの現代的なAOI装置は、複数の検査アルゴリズムを搭載しており、部品や不良の種類に応じて最適なアルゴリズムを選択できます。
主要なアルゴリズムの特性比較
差分比較法（Comparison Method）は、マスター画像との差分を評価する最もシンプルな手法です。
計算が高速で安定していますが、マスター画像の品質に大きく依存し、実装ばらつきに弱いという特性があります。
ばらつきの少ない同一外観部品の検査に向いています。
統計的検査法（Statistical Method）は、複数のマスター画像から統計モデル（平均・標準偏差）を作成し、確率的に良否を判定する手法です。
実装位置ばらつきや外観のロット差に強く、過検出を大幅に削減できる反面、マスター画像の数を多く必要とします。 多品種少量生産より、量産品の検査に向いています。
パターンマッチング法は、部品の形状・色・シルボル等のパターンで良否を判定します。
部品の有無や種類の確認に優れていますが、照明変動や部品外観の差異に敏感です。
照明条件を安定させた後に使用することで、真価を発揮します。
アルゴリズム切替の実践アドバイス
過検出の多い部品に対して、現在使用しているアルゴリズムを確認し、別のアルゴリズムへの切替を試みることは有効な手段です。
特に差分比較法から統計的検査法への切替は、多くの現場で過検出削減に大きく貢献しています。
アルゴリズムの変更は、ROI・照明・閾値の調整よりも影響範囲が広いため、変更前には必ず現状設定のバックアップを取ることを徹底してください。
ステップ7：検証と定量評価
チューニングのすべての変更は、定量的な検証で締めくくる必要があります。
「なんとなく良くなった気がする」という評価では、次の担当者への引き継ぎができず、現場の改善が個人のノウハウで止まってしまいます。
検証に使うべきサンプルセット
標準良品サンプル：通常生産で選別した代表的な良品を20～50枚用意します。
チューニング後にこれを全数検査し、FCRを算出します。
標準不良サンプル：既知の不良を持つ基板を10種類以上用意します。
この時、不良種別（はんだ不足・欠品・ブリッジ・位置ずれ等）が網羅されていることを確認します。
チューニング後に全数検査し、全不良が検出できていることを確認します。
定量評価の記録フォーマット（例）
| 項目 | チューニング前 | チューニング後 | 変化量 |
|---|---|---|---|
| FCR（過検出率） | 8.5% | 2.1% | ▲6.4pt |
| 見逃し率 | 0.1% | 0.1% | ±0 |
| 対象変更箇所 | ― | ROI縮小、閾値+10% | ― |
| 実施日 | ― | 2025年X月X日 | ― |
| 実施者 | ― | 氏名 | ― |
この記録を残すことで、同じ問題が発生したときの再現性確保と、横展開（他製品・他ラインへの適用）が容易になります。
製品・基板タイプ別チューニングの勘所
パラメータ調整の原則は共通ですが、基板の種類や実装部品によって注意すべきポイントが異なります。
主要なケースについての対処法をまとめます。
光沢部品・鏡面基板への対応
光沢のある部品（鏡面はんだ、QFPリード、BGAボール）や鏡面仕上げの基板は、AOIにとって最もチューニングが難しい対象の一つです。
光沢面は照明の角度によって輝度が激しく変化するため、わずかな条件の違いで画像が大きく変わります。
このため、差分比較法による閾値設定が困難で、過検出が多発しやすいです。
対処方針
第一に、照明条件の最適化を優先します。 ドーム型照明（拡散照明）や、多角度から照射するリング照明を使用することで、鏡面反射の影響を緩和できます。 偏光フィルターの導入も検討してください。
第二に、差分比較法から統計的検査法またはパターンマッチング法へのアルゴリズム変更を試みます。
第三に、照明条件をいくら改善しても過検出が収まらない部位については、「検査除外領域（Mask Region）」の設定を検討します。
検査除外は最終手段であり、除外した領域の不良は他の検査手段（後工程の電気テストなど）でカバーする計画が必要です。
微細パターン・狭ピッチ実装への対応
0201チップ部品や0.3mmピッチQFP、0.4mmピッチBGAのような微細実装は、AOIの解像度と焦点深度の限界に近い検査対象です。
対処方針
まず、カメラの解像度が対象部品の最小検査特徴量（ランド幅、ギャップ等）の3倍以上あるかを確認します。
解像度が不足している場合は、撮影倍率の高い光学系への変更が必要で、これはハードウェアの問題です。
次に、焦点深度（被写界深度）が十分かを確認します。 高さのある部品と平面部品が混在する基板では、どこに焦点を合わせても必ずピントが外れる領域が生じます。
多焦点合成（Focus Stacking）機能を持つAOI装置では、この機能を活用することで過検出を大幅に削減できます。
閾値については、微細部品ほど正常なばらつきの幅が検査パラメータ上で相対的に大きくなるため、若干余裕を持たせた設定が必要です。
「微細部品は閾値を厳しくすべき」という誤解があちこちで見られますが、実際には逆効果になることが多いため注意してください。
チューニング結果の維持管理と水平展開
せっかく苦労してチューニングした結果も、管理されなければ徐々に劣化します。
また、せっかくの知見を1製品・1ラインで使い捨てにするのはもったいないです。
パラメータの版数管理と変更記録
AOIのプログラム（レシピ）は、変更のたびに版数を管理することが不可欠です。 具体的には以下を実施してください。
変更前のプログラムを必ずバックアップします。
多くの装置はプログラムのエクスポート機能を持っています。
バックアップファイルには「製品名_バージョン番号_日付」の命名規則を設け、誰でも過去バージョンに戻せるようにしておきます。
変更記録（チェンジログ）を紙またはデジタルで残します。
記録に含める情報は「変更日時・変更者・変更箇所・変更理由・変更前後の数値・検証結果」の6項目です。
変更記録は品質管理システムの一部として位置づけ、定期的に上長や品質保証部門がレビューする体制を作ることをお勧めします。
ISO9001やIATF16949等の品質マネジメント規格でも、検査装置の設定変更管理は重要な管理項目とされています。 （参考：IATF16949の要求事項詳細については、IATF公式サイト https://www.iatfglobaloversight.org/ を参照してください）
定期的な再チューニングのタイミング
AOIのパラメータは、一度設定したら永久に有効というものではありません。
以下のトリガーを定期的にモニタリングし、再チューニングを実施する仕組みを作ることが重要です。
定期チェックのトリガー
FCRの急増（前週比150%以上の増加）が1週間続いた場合は、再チューニングの検討タイミングです。
部品メーカーまたは品番の変更が行われた際は、マスター画像の更新とパラメータの再確認が必要です。
部品の外観（色・光沢・印字）が変わると、旧パラメータでは過検出が増加します。
季節変化・工場環境の変化（温度・湿度）が顕著な時期（特に梅雨・夏季）は、照明条件が変化しやすく、FCRが変動することがあります。
定期メンテナンス（四半期に1回程度）として、FCRとマスター画像の妥当性を確認することをお勧めします。
照明ユニットの交換後は、輝度が変化するため、マスター画像の再作成とパラメータ再調整が必要です。
長期運用での現場視点
経験上、AOIのFCRは時間とともに緩やかに悪化する傾向があります。
照明の輝度低下、環境変化、部品の外観ばらつき拡大など、複数の要因が少しずつ積み重なるためです。
「1年前に設定して以来触っていない」というケースでは、大幅な改善余地が残っていることがほとんどです。
定期的な再チューニングを「改善活動」としてではなく、「設備メンテナンスの一環」として位置づけることで、継続的な品質水準の維持が実現します。
よくある質問（FAQ）
Q1. チューニングにはどのくらいの時間がかかりますか？
対象製品・基板の複雑さにもよりますが、一般的に初回チューニングは1製品あたり半日〜2日を見てください。
ROI見直しと閾値調整を中心に行う場合は半日程度、マスター再作成・アルゴリズム変更まで踏み込む場合は1〜2日が目安です。
2回目以降の定期チューニングは、2〜4時間程度で済むケースが多くなります。
Q2. 閾値を緩めたら見逃しが増えないか心配です。どう判断すればよいですか？
この懸念はとても正当です。 判断の基準は「標準不良サンプルの全数検出」です。
閾値変更後に、種別を網羅した標準不良サンプルを再検査し、全件検出できていれば、見逃しリスクは許容範囲内と判断できます。
標準不良サンプルが手元にない場合は、まずそれを作ることから始めてください。
チューニング以前の問題として、評価基準がなければ安全に調整ができません。
Q3. 過検出が多い部品に対して「検査除外（マスク）」を設定してもいいですか？
検査除外は最終手段です。 安易に除外を増やすと、AOI本来の目的である不良検出が機能しなくなります。
除外を設定する場合は、「その領域の不良を後工程の電気テストや出荷検査でカバーできる」という明確な根拠を示し、品質保証部門の承認を得た上で、記録とともに実施することを強くお勧めします。
Q4. 装置メーカーのSEに相談すべき場合はどれですか？
以下のいずれかに該当する場合は、装置メーカーへの相談を優先してください。
- 照明の輝度が基準値以下に低下しているにもかかわらず、交換・調整できない場合
- カメラの解像度や焦点距離が対象部品の検査要件を満たしていない可能性がある場合
- ソフトウェアのバグ疑い（特定操作で装置がフリーズするなど）
- 最新のソフトウェア機能（AIを使った検査など）について情報が欲しい場合
パラメータ設定の範囲内であれば、この記事の手順を参考に自社内で解決できるケースが大半です。 自社でまず試み、解決しない場合にSEへ相談する、という順序が効率的です。
Q5. 複数のラインに同じ製品が流れています。1ラインでチューニングした結果を他ラインに展開できますか？
基本的には展開可能ですが、そのまま全コピーは禁物です。 ライン間で照明条件・カメラ設定・コンベア振動などに違いがある場合、最適値が異なることがあります。
展開する際は、コピー先のラインで同じ標準サンプルを使って検証し、FCRと見逃し率が許容範囲内にあることを確認した後に本番適用してください。
Q6. AIを使った最新のAOI装置では、チューニングは不要になりますか？
ディープラーニングを活用した最新AOI装置は、従来のルールベース装置に比べて自動学習によるパラメータ最適化が進んでいます。 しかし「チューニング不要」には至っていません。
学習データの選定、信頼度閾値の設定、定期的な再学習のタイミング管理など、新しい形での「チューニング」が依然として必要です。
AI装置でも基本的な考え方（データで判断・段階的変更・定量評価）は変わりません。 AIに頼り切らず、検査結果を定期的に分析する習慣を持つことが大切です。
まとめ
AOIの過検出問題は、「機械のクセ」として諦めるものではなく、体系的なアプローチで確実に改善できる技術課題です。
この記事で解説した内容を振り返ります。
過検出（偽陽性）は現場の工数増大・判断力低下・品質システムの信頼失墜という3つのコストを生みます。
過検出の4大原因は「照明ムラ・マスター品質不足・ROI設定ミス・閾値の不適切さ」です。 この中のどれが当てはまるかをデータから特定することが、チューニングの出発点です。
チューニングは「事前準備（ベースライン測定・ログ分析）→7ステップの実践→定量評価」という手順で進めます。
製品・基板タイプによって対処の優先順位は変わりますが、「段階的変更・毎回検証・記録徹底」という原則は共通です。
チューニング後は版数管理と定期的な再チューニングで成果を維持します。
最後に一番大切なことをお伝えします。 チューニングは「一度やれば終わり」ではなく、生産環境の変化に合わせて継続的に見直す「生きた管理活動」です。 この記事を参考に、まずは今日の現場のエラーログを開いてみてください。 データの中に、改善の糸口が必ず見つかります。
本記事は、製造現場での実務経験に基づく技術解説を目的としています。具体的なパラメータ値は装置メーカー・機種・製品特性によって異なるため、必ず各装置のマニュアルおよびメーカー推奨値を参照した上で適用してください。
