【ITニュース解説】SLX SynthForge on GitHub: AI for industrial vision

SLX SynthForgeは、製造業における品質検査、特に電子基板の検査をAI（人工知能）とコンピュータビジョン（機械が物を見る技術）の力で自動化するシステムだ。このシステムは、バーチャルな3D空間で基板を作成し、そこに様々な欠陥を人工的に作り出す「合成データ」を活用することで、AIモデルの効率的な訓練と高精度な検査を実現している。システムエンジニアを目指す初心者にとっても、これは最新のAI技術がどのように実際の産業課題を解決しているかを示す良い事例となるだろう。

このシステムの中核は、オペレーターが仮想的な電子基板を自由に編集できるデスクトップアプリケーションにある。例えば、デモ用の「PowerBoard」という基板には46個の部品があり、オペレーターは部品を削除したり、位置を変えたり、回転させたりといった操作を3D空間で行える。そして、仮想基板の特定の状態を画像として「キャプチャ」し、この画像をAIモデルが分析して欠陥を検出する仕組みだ。AIモデルは、基板が「正常」「部品が欠落している」「位置や見た目が変化している」といった異常を区別し、検査結果を「合格（PASS）」「欠陥（DEFECT）」「要確認（REVIEW）」のいずれかで提示する。この結果は、CADデータ（設計情報）や実際の画像、AIモデルが算出したスコアとともに記録され、検査の信頼性とトレーサビリティ（追跡可能性）を確保している。

システムの心臓部にあたるのは、「Silicon LogiX SynthForge Core」と呼ばれるビジョンエンジンだ。これはC++というプログラミング言語で開発された高性能なソフトウェアで、画像のレンダリング（表示）、訓練用データセットの生成、そして実際の基板検査の機能を提供する。このエンジンは、SDK（ソフトウェア開発キット）として配布されるDLLライブラリの形で提供され、アプリケーションの様々な部分からその機能を利用できる。基板の認識には640×480ピクセルのRGB画像が使われ、エンジンがキャプチャされたピクセルデータを分析する。AIモデルによる「推論」（画像から欠陥を判断するプロセス）が行われる前に、モデルの互換性や画像の品質など、複数の条件が自動的にチェックされることで、検査の正確さが保たれている。

SLX SynthForgeで採用されているAI技術は、「多クラス線形分類器」と「ソフトマックス関数」というものだ。これは、画像の中から「特徴量」と呼ばれる数値的な情報を抽出し、その特徴量に基づいて画像がどのカテゴリに属するかを判断する。特徴量とは、画像の形や色、パターンなど、AIが判断を下すために重要な意味を持つ数値データのことだ。AIモデルは訓練の過程で、これらの特徴量に「重み」と呼ばれる重要度を割り当て、ソフトマックス関数を使って各カテゴリに属する確率を計算する。例えば、基板全体の検査では16個の視覚的特徴を用いて「正常」「部品欠落」「位置・見た目変更」の3クラスを識別する。さらに、特定の部品に特化した検査では、より詳細な画像分析によって、「正常」「部品欠落」「位置ずれ」「極性反転」「はんだブリッジ」といった5つのシナリオを識別する専門のAIモデルも使用される。

AIモデルを賢くするためには「訓練（トレーニング）」が不可欠だ。このシステムでは、Pythonというプログラミング言語と、その数値計算ライブラリであるNumPyが訓練プロセスで活用される。訓練中には、「Adamオプティマイザ」というアルゴリズムが、AIモデルの「重み」を最適化し、より正確な判断ができるように学習を進める。この学習の進捗は、「損失関数」と呼ばれる指標で評価され、「交差エントロピー」という損失関数は、AIの予測と実際の正解とのズレを数値化する。AIは、このズレが最小になるように学習を続けるのだ。訓練が完了したモデルは、「検証損失」という指標を用いて最も性能の良いものが選ばれる。訓練されたAIモデルのパラメーターはJSONファイルとして保存され、C++で書かれたビジョンエンジンがそれらを読み込んで、実際の検査（推論）を行う。既存のモデルでの検査はPythonを必要としないが、新しいモデルを訓練するためにはPython環境が必要となる。

SLX SynthForgeの大きな強みの一つは、「合成データ」の積極的な活用だ。実際の製造現場で様々な種類の欠陥画像を大量に集めるのは、時間とコストがかかる大変な作業だが、このシステムでは3Dの仮想基板から、様々な欠陥パターンを持つ画像を自動生成できる。この合成データには、最初から「この画像にはこんな欠陥がある」という正解ラベルが付けられているため、AIモデルを効率的かつ多様なデータで訓練できる。これにより、稀にしか発生しない特殊な欠陥にも対応できるAIモデルを構築しやすくなる。さらに、「堅牢性ラボ」という機能では、照明条件、反射、画像のぼかし、カメラの傾きといった様々な撮影環境をシミュレーションし、AIモデルがどのような条件下でも正確な判断を維持できるかを評価する。これは、実際の生産ラインで発生しうる様々な変動要因に対応できる、頑健なAIモデルを開発するために重要だ。

システムのオペレーターインターフェースは、Qt Quick、QML、Qt Quick Controlsといった技術で構築されており、直感的で使いやすい操作環境を提供している。仮想基板の編集、検査結果の表示、AIモデルの管理など、ほとんどの操作がこのインターフェースを通じて行われる。3Dの仮想基板はOpenGLというグラフィックス技術でリアルタイムに描画され、ユーザーは滑らかに3Dモデルを操作できる。アプリケーション内部では、C++で書かれたサービスが、インターフェースとは独立して、画像のレンダリングやデータ生成といった複雑な処理を効率的に実行している。開発プロセスでは、CMakeとCTestといったツールがシステムのビルドと自動テストを管理し、ソフトウェアの品質と安定性を保っている。

システム開発の運用面で重要な機能が、「モデル比較」と「結果の追跡可能性」だ。SLX SynthForgeの「アセンブリAIラボ」では、新たに開発したAIモデルを既存のモデルと比較し、どちらが優れているかを公平に評価できる。これは、両方のモデルを全く同じデータと条件で評価することで実現される。比較では、見逃された欠陥、誤検出、要確認のケースの数、そしてAIが適切に判断できた割合などが詳細に分析される。これにより、より高性能なAIモデルを自信を持って導入できる。また、すべての実験やレポートは、使用された画像、CADデータ、編集内容、AIモデルのバージョンといった詳細な情報とともに保存される。これらの情報はHTML、CSV、JSONといった標準的な形式で出力され、後からいつでも検証したり、他のシステムと連携したりすることが可能だ。これは、製造業における品質管理の記録として非常に重要な役割を果たす。

SLX SynthForgeは、合成データを活用した産業用ビジョンシステムの可能性を示すためのデモンストレーション環境である。このシステムを実際の生産ラインに適用する際には、実際の製品の画像、光学系（レンズなど）、照明条件、そして実際の欠陥データを用いた綿密な検証が不可欠となる。開発元のSilicon LogiX社は、このような産業用ビジョンプロジェクトに対して、カスタムソフトウェア開発やAI/機械学習サービスを提供しており、SLX SynthForgeは、デスクトップインターフェース、高性能なネイティブエンジン、訓練データ、そして検証可能な結果がどのように連携して機能するかを示す良い手本となっている。システムエンジニアを目指す皆さんにとって、SLX SynthForgeのようなシステムは、データ処理、AIモデル開発、ユーザーインターフェース設計、そして実際の製造現場での応用といった、幅広い技術要素が組み合わさって動く産業AIの最前線を理解する良い機会となるだろう。