画像認識による外観検査の導入

エグゼクティブ・サマリー

• 外観検査AIの失敗は、ほぼ例外なくモデルではなく前工程で起きる。 「何を不良と呼ぶか」が言語化されておらず、撮像条件が日によって変わる状態のまま学習に進むと、どれだけ高性能なアルゴリズムを持ってきても現場精度は出ない。
• 最初にやるべきは限度見本の作り直しである。 ベテランが感覚で分けている良品／不良品の境界を、実物と画像で並べ、検査員間で判定が割れるサンプルを洗い出す。ここで判定が割れる比率が、そのままAIの上限精度を決める。
• 不良データは「集める」ものではなく「作る」ものと考える。 実工程の不良率が0.1%なら、必要枚数を自然発生で待つと年単位になる。過去不良の保管品、意図的に作った疑似不良、良品のみで学習する異常検知の三つを組み合わせて立ち上げる。
• 精度は「正解率」で語らない。 見逃し（流出）と過検出（良品を弾く）はコストの桁が違う。流出1件の損害額と、過検出1%あたりの再検査工数を金額に置き換え、その合計が最小になる点で閾値を決める。
• 全数を無人で判定させる構成は、最初から狙わない。 AIが白黒つけられる領域だけ自動化し、グレーゾーンだけ人に回す二段構えにすれば、精度が7〜8割の段階でも検査工数は大きく減らせる。ここが最短で効果が出る現実解である。

外観検査は、ロボット・自動化のテーマの中でも「効果が金額で見えやすい」領域である。検査は人手が張り付き、熟練度に依存し、深夜帯や繁忙期に品質が揺れる。だからこそAI化の期待が集まり、そして期待の大きさに比べて実装の到達率が低い。RobiZyがユーザー企業から受ける相談でも、外観検査は「一度試して止まっている」割合が高いテーマである。本稿は、そのつまずきどころを工程順に開き、構想段階から運用までの判断材料を示す。

1. なぜ外観検査AIは「一度試して止まる」のか

止まり方には、いくつかの決まった型がある。

第一に、サンプルを送ってベンダーに精度を出してもらう進め方である。良品100枚・不良品30枚を渡し、「精度98%」という回答を得る。ところが現場に置くと精度が出ない。理由は単純で、渡したサンプルが「典型的な不良」に偏っており、現場で実際に判断に迷うグレーゾーンの品が入っていないからである。判断に迷わない品だけで測った精度は、検査工程の難所を一切測っていない。

第二に、撮像が固定されていないまま進める型である。手持ちのスマートフォンや汎用カメラで撮った画像で試作し、うまくいったので本番へ進む。本番ラインでは、ワークの向きが毎回違い、外光が入り、機械の振動でブレる。学習時の画像と本番の画像が別物になり、精度が崩れる。外観検査AIの実力の大半は、レンズと照明と治具で決まる。

第三に、判定基準が人によって違う型である。同じ傷を、Aさんは不良、Bさんは良品と判定する。この状態のデータで学習させると、モデルは「一貫しない教師」を学ぶことになり、境界付近で不安定になる。そして現場は「AIの判定がおかしい」と言うが、実際には人の判定が割れていることが露呈しただけである。

第四に、導入後の運用設計がない型である。初期精度は出たが、材料ロットが変わり、金型が摩耗し、新機種が入ると精度が落ちる。誰が精度を監視し、誰が再学習の判断をし、誰が画像を追加するのかが決まっていないため、半年で使われなくなる。

この四つは、いずれもアルゴリズム選択の問題ではない。ロボット導入の失敗パターンと回避で整理した「目的と要件を固めずに機器から入る」構図と同じものが、検査領域で起きている。

2. 着手前に固める三つの問い

外観検査AIの検討に入る前に、次の三つに答えられるかを確認したい。答えられないなら、まずそこを埋める作業が最初の工程になる。

三つ目は特に重要である。流出コストが1件10万円なのか、1件で数千万円の回収が発生するのかで、設計はまったく別物になる。前者なら人の再検査を挟む二段構えで十分だが、後者なら検査そのものより「不良を出さない工程」への投資が先という結論もあり得る。目的から降りる考え方はRX構想策定の作り方で扱った通りである。

3. 限度見本を作り直す——精度の上限はここで決まる

外観検査AIの精度は、教師データの一貫性を超えられない。したがって最初の実作業は、モデルの選定ではなく限度見本の再整備である。

手順は次の通りである。

1. 不良種類を列挙する。 傷、打痕、汚れ、異物付着、色ムラ、欠け、バリ、寸法外れ、印字かすれ、といった具合に、現場の呼び方のまま書き出す。呼び方が部署で違うなら、その時点で辞書を作る。
2. 種類ごとに「程度の段階」を並べる。 明らかな良品、迷う良品、迷う不良、明らかな不良の四段階に実物を並べる。三段階では境界が見えない。
3. 複数の検査員に、同じサンプルを個別に判定させる。 ここで一致率を測る。一致率が9割を切る種類は、AI以前に基準が定義されていない。
4. 一致しなかったサンプルを、責任者が裁定して基準化する。 「この深さまでは良品」「この面積を超えたら不良」という形で、可能な限り数値に置き換える。
5. 裁定後の見本を撮影し、画像として残す。 実物は劣化し、なくなる。画像で残さなければ基準は継承されない。

この作業は地味だが、外観検査AIの投資対効果を最も左右する工程である。しかも副産物として、人の検査そのものの品質が上がる。AI導入をやめたとしても、この作業だけは残る価値がある。

4. 撮像設計——「写っていないものは判定できない」

AIは画像に写っている情報しか使えない。人が斜めから見て、角度を変えて、光を当てて初めて見える傷は、固定カメラの1枚では写らない。撮像設計とは、「不良が必ず写る条件」を物理的に作り込む作業である。

検討すべき要素は次の通りである。

実務上の目安として、検出したい最小欠陥の寸法に対し、画素が十分に割り当たっているかを最初に確認したい。傷が数画素にしかならない構成では、人が見て分かる傷をAIが取れない。ここは光学の専門領域であり、SIerやカメラメーカーの技術者に早い段階で入ってもらうべき部分である。中立の立場で複数の候補を並べる進め方はロボット選定の勘所とSIerの選び方で述べた考え方が使える。

また、撮像条件は「決めたら固定し、変えたら記録する」運用にしておく。照明を交換した、レンズの絞りを触った、といった変更が記録されずに行われると、精度低下の原因追跡が不可能になる。

5. データが足りない前提で立ち上げる

品質の良い工程ほど不良が出ない。これが外観検査AIの構造的な難所である。不良率0.1%の工程で不良画像を1,000枚集めるには、100万個の生産が必要になる。待っていては始まらない。

現実的には、次の三つを併用する。

• 過去不良の掘り起こし。 不良品を保管している工程は多い。倉庫の隅にある不良品箱が最大のデータソースになる場合がある。撮影して種類別に整理する。
• 疑似不良の作成。 意図的に傷をつける、異物を載せる、条件を外して成形する。実不良と完全には同じにならないが、境界の学習には有効である。作成した疑似不良は「疑似」とラベルを分けて管理する。
• 良品のみで学習する異常検知。 良品の見え方だけを学習し、そこから外れたものを異常として出す方式である。不良種類を事前に列挙できない場合や、不良サンプルが極端に少ない場合に適する。ただし「良品のばらつき」まで異常と判定しやすいため、良品側の多様性（ロット差、色差、個体差）を十分に含めることが前提になる。

データ整備で忘れられがちなのがラベルの管理である。誰が、いつ、どの基準でラベルを付けたかを残さないと、基準を見直したときに再ラベルができない。画像ファイル名とスプレッドシートで管理を始めるのは構わないが、枚数が増えた時点で管理台帳に移す前提を置いておきたい。データの受け皿を先に考える論点はロボット稼働データの収集・可視化基盤と共通する。

6. 精度をどう決めるか——「正解率」で語らない

外観検査における判定は四つに分かれる。

この二つの誤りはコストが非対称である。流出は顧客クレーム・回収・信用の毀損につながり、過検出は再検査工数と歩留まり悪化につながる。したがって設計目標は「正解率99%」ではなく、「流出コスト＋過検出コストの合計を最小にする閾値」である。

議論を金額に落とすため、次の形で整理する。

三つ目を必ず置きたい。AIの評価基準は「完璧」ではなく「今の人の検査」である。 人が見逃している率を測らずに、AIにだけ完璧を求める議論になると、どこまで行っても導入判断が出ない。効果を金額の言葉に翻訳する枠組みはロボット導入の投資対効果（ROI）の語り方に詳しい。

7. 人とAIの二段構え——最短で効果を出す構成

初期から全数無人判定を狙うと、必要精度が跳ね上がり、投資も期間も膨らむ。効果を早く出す現実解は、AIの出力を三区分にする構成である。

1. 明確な良品（自動通過） — AIが高い確信度で良品と判定したもの。人は見ない。
2. グレーゾーン（人が判定） — 確信度が中間のもの。人に回す。
3. 明確な不良（自動排出） — 高い確信度で不良と判定したもの。人は確認のみ、あるいは無確認で排出。

この構成の利点は、AIの精度が十分でない段階でも工数削減が成立することにある。仮に全体の7割が「明確な良品」に落ちるなら、人が見る量は3割になる。残る3割は難しい品なので、人の集中力もそこに向く。結果として、検査工数の削減と流出率の改善が同時に起きうる。

閾値は固定ではなく、運用しながら動かす。立ち上げ直後はグレーゾーンを広く取り、蓄積が進むにつれて狭める。この「役割の境界を動かしていく」設計思想は人とロボットの役割分担設計（ToBe業務設計）で扱った枠組みそのものである。

なお、この構成を採るならグレーゾーンに回された品の判定結果を必ず記録し、学習に戻すことを設計に入れる。人が判定した結果こそ、最も価値の高い追加教師データである。

8. 運用フェーズ——精度は必ず落ちる

外観検査AIは、導入した日が最高精度で、そこから劣化していく。材料ロットが変わる、金型が摩耗する、照明のランプが劣化する、新機種が入る。いずれも画像の分布を変える。

したがって運用設計には次を含める。

最後の「変更管理」が抜けやすい。製造条件を変える部署と、検査AIを見る部署が別だと、変更が事後に判明する。工程変更の承認フローに検査担当のチェック欄を一つ足す——この程度の仕掛けで、劣化の多くは予防できる。

止めない運用をつくる考え方は保守・稼働管理——止まらない運用をつくる、劣化の兆候をデータで捉える発想は予知保全と地続きである。

9. 進め方と投資の目安

段階を踏む場合、次のような組み立てになる。

投資は「AIソフトの費用」だけでは終わらない。撮像装置（カメラ・レンズ・照明・治具・遮光）と、搬送・位置決めの改造費が、しばしばソフト以上になる。 見積もりを比較する際は、以下が含まれているかを必ず確認したい。

• 撮像装置一式（カメラ、レンズ、照明、電源、ケーブル）
• 治具・架台・遮光カバーの設計製作
• 搬送・位置決め・トリガ信号の改造
• データ整備（撮影、ラベル付け）の工数
• 現場並行運用期間の立会い工数
• 再学習の回数と、その費用の扱い（保守に含むか、都度見積もりか）

最後の項目は特に確認したい。再学習が都度見積もりだと、運用フェーズで動かせなくなる。 年間何回まで、どの範囲までを保守費に含むかを契約時に決めておくべきである。見積もりの読み解き方はロボット導入の要件定義書の考え方が応用できる。

補助金を検討する場合、対象になるのは多くの場合「設備投資」であり、データ整備や運用の工数は自己負担になりやすい。制度の選び方は補助金・助成金でロボット導入を進めるを参照されたい。

10. 着手前チェックリスト

構想段階で、次の項目に○が付くかを確認する。×が多いなら、機器選定ではなく基準整備から始めるのが正しい。

まとめ

外観検査のAI化は、画像認識の課題である前に、「品質判断を組織の資産として言語化する」取り組みである。限度見本を作り直し、判定の割れを裁定し、撮像を固定し、誤りのコストを金額に置く。この四つが済んでいれば、モデルの選択肢は複数あり、どれを選んでも実用水準に届く。逆に、この四つを飛ばして高性能なモデルだけを買っても、現場は動かない。

そして、全数無人化を初手で狙わないこと。AIが白黒つけられる領域を自動化し、グレーゾーンを人に残す二段構えは、精度が完璧でない段階から効果を出し、運用しながら境界を動かしていける。これが最も外れの少ない進め方である。

RobiZyは、ロボットもカメラも検査ソフトも売らないNPO法人である。だからこそ、「そもそもAI検査が最適解か」「撮像から作り込む必要があるのか」「どのベンダーの提案が要件に対して過不足ないか」を、特定製品の都合を離れて一緒に検討できる。限度見本の作り直しのような地味な工程こそ、中立の第三者が入る価値が大きい部分でもある。

構想段階での相談は無料で受け付けている。「不良の写真すらまだ整理できていない」「一度試して止まったままだ」という状態からで構わない。むしろ、その段階でお声がけいただくほうが、無駄な投資を避けられる。まずはお気軽にご相談いただきたい。