工場におけるAI画像認識による外観検査について

外観検査がいま課題になる理由｜「人の目」に頼るほど、品質コストが膨らむ

工場の外観検査は、昔から「人が見れば分かる」世界でした。ところが今、その常識が揺らいでいます。理由は単純で、検査を“人の技能と集中力”に依存するほど、品質とコストのばらつきが大きくなるからです。

まず、人手不足と技能継承です。外観検査は熟練が必要な一方で、長時間の目視は疲労で精度が落ちます。新人とベテラン、昼と夜、繁忙期と通常期で判定にばらつきが生じやすく、検査員を増やしても「品質が上がる」とは限りません。

次に、基準の標準化が難しい点です。「このくらいの傷はOK」「この汚れは拭けばOK」といった判断は、工程・顧客・用途で変わります。現場では暗黙の基準が育ちますが、その基準が明文化されていないと、監査や顧客から判断根拠を求められた際に説明が難しくなります。品質不具合が起きたときに「なぜ見逃したのか」「どの基準で合格と判断したのか」を後から確認できないと、有効な再発防止策を検討しづらくなります。その結果、「注意を徹底する」「確認を強化する」といった対応にとどまりがちです。

そして、品質コストの構造です。外観不良は、見逃すと後工程での手戻りや廃棄、市場流出なら返品・クレーム・ブランド毀損につながります。一方で厳しすぎる検査は、良品まで弾いて歩留まりを落とします。つまり外観検査は「見逃し」と「弾きすぎ」の両方がコストであり、そのバランスを適切に管理できなければ、品質面や収益面に影響が出ます。

この状況でAI外観検査が注目される理由は、単なる自動化ではありません。検査を“仕組み化”できるからです。判断基準をルールとデータに落とし込み、判定結果をログとして残し、工程改善へ活かす。人は例外や最終判断に集中し、検査基準は標準化される。外観検査が課題となっている今だからこそ、AIは「検査員の代替」ではなく「品質を再現性ある運用にする道具」として価値を発揮します。

AI外観検査で何ができるか｜「不良の有無」から「位置・面積・原因候補」まで扱える

AI外観検査でできることは、「良品か不良品かを当てる」だけではありません。実務で価値が出るのは、どこに、どれくらい、どんな形で不良が出ているかをデータとして取り出し、判定と改善に使えるようにすることです。まずは出力の形で整理すると理解が速くなります。

良否や等級を判定する（分類）

画像全体を見て「OK/NG」や「等級」を返す使い方です。外観が規格内か、傷が許容範囲か、といった判断を自動化します。
ただし、分類だけだと「なぜNGなのか」が分かりにくく、現場の納得や改善につながりにくいことがあります。その場合は、次の「位置」や「面積」を併用すると成果が出やすくなります。

不良の場所を特定する（位置の検出）

不良の位置を枠で示すと、検査員の確認が速くなります。異物がどこにあるか、欠けがどの辺りかを示し、目視確認の範囲を絞れます。
この方式は、見逃しの防止だけでなく、検査員が確認する範囲を絞ることにも役立ちます。また、段階運用（高信頼は自動、迷うものは人確認）にも取り入れやすいのが特徴です。

不良の広がりを測る（領域の抽出）

外観検査では、不良が「あるか」だけでなく「どれくらいか」も合否を左右します。傷の面積、塗り残しの割合、汚れの広がりなどは、枠だけでは測れません。対象の領域をピクセル単位で切り出せると、欠陥面積や欠陥率のような数値を作れます。
ここまでできると、合否判定の基準を面積ベースで標準化でき、工程改善にもつなげやすくなります。

不良が少ない前提で「いつもと違う」を拾う（異常検知）

現場によっては、不良品のデータが十分に集まりません。その場合、正常品の見え方を基準にして「いつもと違う」ものを候補として拾う方法があります。
この方式は未知の不良にも反応できる一方、誤検知が増えやすいので、いきなり自動判定にせず、要確認として人が確認する運用にすると現実的です。

外観検査でAIを使うときは、モデル名から検討を始めるより、まず「OK/NGなのか」「位置なのか」「面積なのか」という出力の形を決めることが重要です。出力が決まると、撮像条件やデータ作り、評価と運用まで一貫して設計できます。

実際のラインではこう動く｜撮像→判定→アクションまでが「外観検査システム」

AI外観検査は、モデルを作って終わりではありません。実際の現場では、製品を撮影し、AIが判定し、その結果をもとに仕分けや排出、アラート通知などを行うところまで含めて初めて運用できます。そのため、AIだけではなく、撮像から判定後の処理までを一つのシステムとして設計することが重要です。一般的には、次のような流れで運用されます。

まず、「撮像」です。カメラで製品を撮りますが、外観検査ではカメラ以上に照明が重要です。傷や凹みは角度や反射で見え方が変わるため、ライトの種類、当て方、影の出方が結果を左右します。対象が流れる速度に合わせて、ブレが出ないシャッター設定や、必要なら複数台カメラで死角を減らす設計をします。こうした撮像条件を安定させることで、AIも傷や異常を判別しやすくなります。

次に、撮影した画像をもとに判定を行います。AIは画像を分析し、良品か不良品か、不良がどこにあるのか、どの程度広がっているのかといった情報を返します。ここで重要なのは、すべてを自動でOK・NGに分けようとしないことです。実際の現場では、判定結果に応じて人が確認する工程を残した方が、品質と生産性の両立につながるケースも少なくありません。

・高信頼：自動でOK/NGとして処理
・中信頼：要確認として人が最終判断
・低信頼：記録して後で傾向分析に回す

この段階設計にしておくと、誤検知で歩留まりを落とす、見逃しで流出する、といった事故を抑えやすくなります。

最後に、「アクション」です。判定結果をもとに、ライン側で具体的な動きを起こします。アクションは大きく3種類です。
1つ目は仕分けです。OK品とNG品を別の搬送ラインに分けたり、NG品だけ再検査に回したりします。
2つ目は排出です。食品や穀物の選別などでは、欠陥を検知した瞬間に圧縮空気で不良を弾く方式が一般的に使われています。
3つ目はアラートやライン停止です。重大不良や安全に関わる異常は、その場で止める方が損失が小さくなります。

この一連の流れで大事なのは、「AIが出した結果をどの工程で止めるか」を設計することです。早い工程で止めれば手戻りが減りますが、誤検知で弾きすぎると歩留まりが落ちます。逆に後工程にすると確認は増えますが、弾きすぎのリスクは下がります。外観検査では、AIの判定精度だけでなく、その判定結果をどの工程でどのように活用するかも重要です。

事例で見る導入のイメージ｜「どの工程で、何を止めるか」から逆算する

外観検査のAI導入では、まず「どの工程で」「どの不良を検知したいのか」を明確にすることが重要です。ここでは、業界ごとの活用例を見ながら、実際の導入イメージを紹介します。

食品・農産物の選別｜検知した瞬間にエアで排出する

食品や穀物では、カメラで色や形状の異常を検知し、圧縮空気で不良品を排出する方式が広く利用されています。米の選別機でも、欠陥のある粒を検知するとエアで取り除く仕組みが採用されています。こうした現場では製品が高速で流れているため、重要なのは判定理由を細かく示すことよりも、ライン速度に合わせて正しく判定できることです。また、不良品の見逃しだけでなく、良品まで排除してしまわないように検査基準を調整することも欠かせません。

自動車・大型製品｜複数カメラで死角を減らし、仕様通りかを見る

自動車や大型設備のように対象物が大きい場合は、複数のカメラで全体を撮影し、部品の有無や取り付け状態などを確認します。製品全体を一度に確認することが難しいため、複数の画像を組み合わせて仕様どおりに組み立てられているかを判定します。ただし、最初からすべての検査を自動化しようとすると対象が広がりすぎてしまいます。そのため、品質トラブルにつながりやすい箇所や見落としが発生しやすい箇所から導入するケースが一般的です。

電子基板｜自動外観検査で欠陥を拾い、工程に戻す

電子基板の製造現場では、AOI（自動光学検査）が広く利用されています。部品の取り付け漏れや位置ずれ、はんだ不良などを検知し、不具合が見つかった場合は再検査や修正工程につなげます。こうした検査は製造工程の複数の段階で実施されることも少なくありません。重要なのは、不良品を見つけて終わりにしないことです。どのような不良が、いつ、どこで発生したのかを記録しておくことで、設備設定や作業手順の見直しにも活用できます。

どれくらい効果があるか｜外観検査AIの効果は「工数」「流出」「改善」の3層で出る

AI外観検査の導入効果は、単純に判定精度だけでは判断できません。実際には、検査にかかる作業負荷の削減、不良品の流出防止、品質改善に活用できるデータの蓄積など、さまざまな形で効果が現れます。ここでは、主な効果を3つの観点から見ていきます。

検査工数を削減できる

AI外観検査を導入すると、これまで全数を目視で確認していた工程の一部を自動化できます。例えば、明らかに問題のない製品はAIが判定し、判断が難しいものだけを検査員が確認する運用にすると、目視確認の対象を減らせます。その結果、検査員の負荷軽減や処理能力の向上が期待できます。導入効果を試算する際は、現在の検査時間や処理数量をもとに削減できる確認作業の割合を見積もる方法が一般的です。

不良品の流出や手戻りを減らせる

外観不良を見逃すと、後工程での手直しや廃棄、出荷後の返品・クレーム対応につながる可能性があります。一方で、判定基準が厳しすぎると、本来は問題のない製品まで不良品として扱ってしまいます。AI外観検査では、こうした見逃しや過剰判定を減らすことで、品質と歩留まりの両立を目指せます。導入を検討する際は、どの損失を優先的に減らしたいのかを整理しておくことが重要です。

品質改善に活用できる

AIは不良の有無だけでなく、発生した位置や面積などの情報も記録できます。こうしたデータを蓄積することで、「どの設備で不良が多いのか」「どの時間帯に発生しやすいのか」「どの材料ロットで問題が起きているのか」といった分析が可能になります。そのため、検査工程だけでなく、設備設定や作業手順の見直しにも活用できます。

AI外観検査の導入効果は、検査作業の効率化だけではありません。不良品の流出防止や品質改善にも活用できます。そのため、自社ではどの効果を優先したいのかを明確にしたうえで、必要な機能や運用方法を検討することが重要です。

PoCでつまずきやすいポイント｜外観検査AIが本番導入まで進まない理由

外観検査AIは、PoC（概念実証）の段階では期待どおりの結果が出ても、本番環境では同じように運用できないケースがあります。その原因はAIの性能そのものではなく、検査基準や撮影環境、データ管理のルールが十分に整備されていないことにある場合が少なくありません。ここでは、本番導入の前に確認しておきたいポイントを紹介します。

【関連記事】
ビジネスにおけるPoCとは？手順やメリット、デメリットについて解説

不良の基準が明確になっていない

外観不良は判断が難しいケースが少なくありません。例えば、「どの程度の傷を不良とするのか」「薄い変色は対象に含めるのか」「反射や影はどのように扱うのか」などです。こうした基準が担当者ごとに異なると、学習データや評価結果にもばらつきが生じます。その結果、AIの判定結果を正しく評価できなくなる可能性があります。PoCを進める前に、合否基準や例外条件を明文化しておくことが重要です。

撮影条件を維持できない

外観検査では、照明や反射の影響を大きく受けます。照明の角度が変わるだけで傷の見え方が変化することもありますし、製品表面の汚れや設備の状態によっても画像は変わります。PoCでは問題なく判定できていても、本番環境では想定外の条件変化によって精度が低下することがあります。そのため、AIの調整だけでなく、照明やカメラの固定、清掃ルールの整備など、撮影環境を安定させる取り組みも重要です。

十分なデータを準備できない

外観検査では、不良品の発生頻度が低いことが珍しくありません。そのため、学習に必要な不良データを十分に集められないケースがあります。また、不良の種類ごとにラベル付けの基準が統一されていないと、データを増やしても期待した精度につながらないことがあります。導入初期は代表的な不良に対象を絞り、基準を整理しながら段階的に対象範囲を広げていく方法が現実的です。

導入の進め方｜AI外観検査を本番運用につなげるための手順

外観検査AIの導入では、どのAIを採用するかよりも、実際の検査工程でどのように活用するかを先に整理しておくことが重要です。ここでは、本番導入を見据えた進め方を紹介します。

対象となる工程を決める

最初からすべての不良や工程を対象にすると、必要なデータや検査基準の整理が難しくなります。まずは、不良による損失が大きい工程や、検査負荷が高い工程から取り組むことをおすすめします。

AIに何を判定させるかを決める

AIに求める役割を明確にします。

・良品／不良品を判定する
・不良箇所の位置を特定する
・不良の面積や割合を算出する

目的が明確になることで、必要な画像データや撮影方法、評価方法も決めやすくなります。

人とAIの役割分担を決める

外観検査をすべて自動判定にすると、良品を不良品と判定したり、不良品を見逃したりするリスクがあります。そのため、判定結果に応じて人が確認する工程を残す運用もよく採用されています。

例えば、

・判定に自信があるものは自動処理する
・判断が難しいものは人が確認する
・判定結果は記録として保存する

といった運用です。

検査結果を改善活動に活用する

AIが記録した不良の位置や種類、発生頻度などのデータは、設備設定や作業手順の見直しにも活用できます。また、誤判定や見逃しの事例を蓄積することで、継続的な精度向上にもつなげられます。

このような手順で進めることで、PoCの結果を本番運用につなげやすくなります。

まとめ｜外観検査AIを成功させるために重要な3つのポイント

工場の外観検査にAIを導入するときは、AIモデルそのものよりも、実際の現場で安定して運用できる環境を整えることが重要です。

①不良の判断基準を明確にする
傷や汚れをどのように判定するのか、反射や影はどのように扱うのかなどを事前に整理しておく必要があります。判断基準が曖昧なままでは、AIの評価も難しくなります。

②撮影環境を安定させる
外観検査では、照明やカメラの位置によって画像の見え方が変わります。AIの性能だけに頼るのではなく、撮影条件を一定に保つことも重要です。

③運用方法まで含めて考える
AIは不良を見つけることができますが、それだけでは十分ではありません。判定結果をどのように活用するのか、人がどこで確認するのか、不良データをどのように改善活動へ活かすのかまで考えておく必要があります。

外観検査AIは、AIモデルだけ導入すれば効果が出るものではありません。判断基準を明確にし、撮影環境を整え、現場で運用できる体制を作ることで、品質の安定化や検査業務の効率化につなげることができます。

＞＞フルスクラッチ（オーダーメイド）のシステム開発について詳細はこちら