「目視検査の属人化をなんとかしたい」
「検査精度のバラつきを減らしたい」
「人手不足の中でも、品質を安定させたい」
こうした課題を抱える製造現場は少なくありません。
外観検査は、製品品質を守るために欠かせない工程です。一方で、長年にわたり人の目や経験に支えられてきた領域でもあります。そのため、熟練者の退職、人手不足、検査員ごとの判定のバラつき、疲労による見逃しといった課題が表面化しやすい工程でもあります。
そこで注目されているのが、AI外観検査です。
AI外観検査は、カメラで撮影した製品画像をAIが解析し、キズ、打痕、変色、欠け、異物混入などの不良を検出する仕組みです。従来のルールベース画像検査では対応が難しかった、微妙な色ムラや形状の違い、複雑な不良パターンにも対応しやすい点が特徴です。
本記事では、AI外観検査の仕組み、導入効果、導入ステップ、ソリューションの選び方、費用感、導入時の注意点までを、製造業向けにゼロから解説します。
初めてAI外観検査を調べる方でも、読了後には「自社で何から検討すべきか」が具体的にイメージできるはずです。
AI外観検査とは？
外観検査とは、製品の表面にあるキズ、打痕、変色、欠け、汚れ、異物混入、印字不良などを確認し、良品と不良品を判別する工程です。
自動車部品、金属加工品、樹脂成形品、電子部品、食品パッケージ、医薬品の錠剤など、外観検査はあらゆる製造業に関わる品質保証の要です。
目視検査・ルールベース検査との違い
従来の外観検査は、大きく分けると「目視検査」と「ルールベースの画像検査」に分かれていました。
目視検査は、人が製品を見て良否を判断する方法です。柔軟な判断ができる一方で、作業者の経験、体調、疲労、集中力によって判定が変わることがあります。また、熟練者の退職や人手不足によって、検査品質を安定して維持することが難しくなっています。
ルールベースの画像検査は、「明るさが一定値以下ならNG」「エッジの形状が基準から外れていればNG」といったように、人があらかじめ判定ルールを設計する方式です。一定の条件では高い効果を発揮しますが、製品バリエーションが多い場合や、微妙な色ムラ、反射、表面の個体差がある場合には、ルール設計が複雑になりやすいという課題があります。
これに対してAI外観検査は、ディープラーニングをはじめとしたAI技術を使い、画像データから良品・不良品の特徴を学習して判定します。
人が「これは良品」「これは不良」とラベル付けした画像をAIに学習させることで、従来のルールでは定義しにくかった欠陥パターンにも対応しやすくなります。また、不良品の画像が十分に集まらない場合には、良品画像を中心に学習し、通常状態から外れたものを異常として検出する手法も使われます。
近年は、カメラ、照明、GPU、エッジPC、クラウド環境などの選択肢が増え、中小企業でも検討しやすい価格帯や導入形態のソリューションが増えています。
AI外観検査の仕組み
AI外観検査システムは、一般的に次のような流れで動作します。
まず、産業用カメラやラインセンサで製品画像を取得します。次に、照明ムラの補正、画像の切り出し、リサイズ、ノイズ除去などの前処理を行います。その後、学習済みのAIモデルが画像を解析し、欠陥の有無、種類、位置などを判定します。最後に、OK／NGの判定結果を表示したり、PLCや生産ラインに信号を送り、NG品を排出したりします。
基本的な4ステップ
- 撮像：カメラで製品画像を取得する
- 前処理：画像をAIが判定しやすい状態に整える
- AI推論：学習済みモデルが欠陥の有無や位置を判定する
- 判定・出力：OK／NG結果を表示し、必要に応じてラインへ連携する
代表的なAI手法
AI外観検査で使われる代表的な手法には、教師あり学習、異常検知、セグメンテーションなどがあります。
教師あり学習は、良品・不良品のラベル付き画像を使って学習する方法です。不良パターンが明確で、十分な画像データを集められる場合に向いています。
異常検知は、主に良品画像を学習し、そこから外れたものを異常として検出する方法です。不良サンプルが少ない製品や、不良の種類が多岐にわたる場合に検討されます。
セグメンテーションは、画像をピクセル単位で分類し、欠陥の位置や面積を把握する方法です。キズや腐食、欠けの範囲を細かく把握したい場合に有効です。
どの手法が最適かは、対象製品、不良の種類、不良発生頻度、必要な判定速度、収集できる画像データによって変わります。AI外観検査には一つの正解があるわけではなく、複数の手法を組み合わせることもあります。
AI外観検査で最も重要なのは「欠陥が見える画像」を撮ること
AI外観検査というと、AIモデルの性能に注目しがちです。しかし、実際の現場では、AIモデル以上に重要になるのが撮像環境です。
どれほど高度なAIを使っても、そもそも欠陥が画像に写っていなければ正しく判定できません。
たとえば、金属部品の表面では、照明の当て方によってキズが見えたり、逆に反射で見えなくなったりします。透明な樹脂やフィルムでは、背景や光の角度によって欠陥の見え方が大きく変わります。食品や包装材では、製品の位置ずれ、搬送時のブレ、印字のかすれ、包装材のしわなどが判定に影響します。
そのため、AI外観検査の検討では、カメラ、レンズ、照明、ワークの位置決め、搬送速度、背景、反射、検査環境の安定性を含めて設計する必要があります。
AI外観検査は、「AIを導入すれば終わり」ではありません。まずは、検出したい欠陥が安定して写る画像を取得できるかどうかを確認することが重要です。
この点を軽視すると、PoCではある程度の精度が出ても、本番ラインでは精度が安定しないという問題が起きやすくなります。
AI外観検査の導入効果
AI外観検査の導入効果は、大きく品質面と生産性面に分けられます。
品質面の効果
品質面では、検査基準のバラつきを抑えやすくなります。目視検査では、作業者の経験や疲労によって判定が変わることがあります。一方、AI外観検査では、一定の条件下であれば、同じ基準で継続的に判定しやすくなります。
また、検査結果を画像やデータとして蓄積できるため、後から不良傾向を分析しやすくなります。どの工程で不良が増えているのか、どのロットで異常が多いのか、どの条件で判定が不安定になるのかを確認できるようになります。
生産性面の効果
生産性面では、検査工数の削減が期待できます。目視検査に多くの人員を割いている場合、AI外観検査によって検査員の負担を減らし、より付加価値の高い業務へ再配置できる可能性があります。
また、インライン検査として組み込めば、全数検査と高速生産の両立を目指すこともできます。抜き取り検査では見逃していた不良を検出しやすくなり、市場クレームや手戻りの削減にもつながります。
ただし、AI外観検査は万能ではありません。すべての不良を100%検出できるわけではなく、学習データ、撮像環境、判定基準、運用体制によって効果は変わります。導入前には、自社の検査課題と期待効果を整理し、現実的な目標を設定することが重要です。
費用対効果の考え方については、今後公開予定の AI外観検査の費用・ROI徹底解説 でも詳しく解説します。
AI外観検査の導入ステップ
AI外観検査の導入は、いきなり本番ラインに入れるのではなく、段階的に進めるのが一般的です。
ステップ1：現状の検査課題を整理する
最初に行うべきことは、現在の検査工程を棚卸しすることです。
どの製品を検査しているのか。どのような不良を検出したいのか。検査員は何名いるのか。1日あたり何個検査しているのか。見逃しや過検出はどの程度発生しているのか。検査にどれだけ時間がかかっているのか。
これらを整理することで、AI外観検査を導入すべき対象工程が見えやすくなります。
ステップ2：PoCで判定可能性を検証する
次に、PoCを行います。PoCでは、自社の製品や不良に対して、AIがどの程度判定できるかを検証します。
ここで重要なのは、単に画像枚数を集めることではありません。良品画像、不良画像、不良の種類、許容基準、撮像条件をそろえ、実際の生産条件に近い画像で検証することが重要です。
不良サンプルが少ない場合は、異常検知型のAIを検討したり、良品画像を中心にモデルを構築したりする方法もあります。
PoCでは、検出率だけでなく、過検出、処理速度、撮像環境の安定性、現場での運用負荷も確認すべきです。
PoCで確認すべき観点については、今後公開予定の AI外観検査のPoCチェックリスト でも整理します。
ステップ3：本番ラインへの組み込みを設計する
PoCで一定の手応えが得られたら、本番ラインへの組み込みを設計します。
この段階では、カメラや照明の配置、エッジPCの選定、PLCとの連携、NG品の排出方法、作業者への表示方法、検査結果の保存方法などを決めます。
特に、ライン速度に追従できるかどうかは重要です。AIの判定精度が高くても、タクトタイムに間に合わなければ現場では使えません。
ステップ4：並行運用で精度を確認する
本番導入直後は、既存の目視検査や従来検査と並行して運用するのが現実的です。
AIの判定結果と人の判定結果を突き合わせながら、どのような不良を見逃すのか、どのような良品を過検出するのかを確認します。その結果をもとに、判定基準やモデル、撮像条件を調整していきます。
ステップ5：運用・継続改善する
AI外観検査は、導入して終わりではありません。
製品仕様の変更、新しい不良パターン、材料の変更、照明環境の変化などによって、判定精度が変わることがあります。そのため、導入後も画像データを蓄積し、必要に応じてモデルを再学習・チューニングしていく体制が必要です。
モデル更新を社内で行うのか、ベンダーに委託するのかも、事前に確認しておくべきポイントです。
AI外観検査ソリューションの種類と選び方
AI外観検査のソリューションは、大きく3つに分けられます。
パッケージ型
パッケージ型は、カメラ、照明、ソフトウェアが一体となった製品で、導入しやすい点が特徴です。検査対象や不良パターンが比較的定型的な場合に向いています。
プラットフォーム型
プラットフォーム型は、AIモデルの構築や管理を行うツールを提供し、自社データで学習・カスタマイズして使うタイプです。多品種少量生産や、モデルの更新頻度が高い現場に向いています。
SIer・カスタム開発型
SIer・カスタム開発型は、システムインテグレーターが要件に応じて、カメラ、照明、AIモデル、ライン連携まで含めてシステムを構築します。検査条件が特殊な場合や、既存設備との高度な連携が必要な場合に選ばれます。
選定時に確認すべきポイント
- 自社の製品や不良種別に対応した実績があるか
- ラインのタクトタイムに追従できるか
- 撮像環境まで含めて提案してくれるか
- モデルの再学習や運用にどの程度の負荷がかかるか
- 他ラインや他工場への横展開が可能か
- PoCから本番導入、運用改善まで支援してくれるか
AI外観検査は、AIソフトだけで決まるものではありません。カメラ、照明、ライン連携、運用体制まで含めて比較することが重要です。
ソリューション比較の詳しい視点については、今後公開予定の AI外観検査ソリューション比較ガイド でも解説します。
AI外観検査の費用感
AI外観検査の費用は、対象製品、検査内容、ライン数、撮像環境、システム連携の有無によって大きく変わります。
一般的には、PoC費用、カメラ・照明・PCなどのハードウェア費用、ソフトウェアライセンス費用、システム構築費、運用・保守費が発生します。
費用を見る際に重要なのは、AIモデルの価格だけで判断しないことです。
たとえば、単一品種をオフラインで検査する場合と、多品種を高速ライン上で全数検査する場合では、必要なカメラ台数、照明設計、画像処理、PLC連携、モデル管理の負荷が大きく異なります。
また、欠陥が見えやすい製品か、反射や透明性があり撮像が難しい製品かによっても費用は変わります。既存ラインに組み込む場合は、機械的な設置スペースや排出機構の追加も検討が必要です。
費用検討時に確認したい項目
- 1ライン導入か、複数ライン展開か
- オフライン検査か、インライン検査か
- 検査対象の形状や材質は撮像しやすいか
- カメラや照明は何台必要か
- PLCや既存設備との連携が必要か
- モデル更新を内製するか、外部委託するか
- 運用・保守費まで含めた総額はいくらか
投資対効果を考える際は、検査員の人件費だけでなく、流出不良によるクレーム対応、手戻り、廃棄、リコールリスク、品質保証部門の負荷なども含めて検討する必要があります。
費用と投資対効果の詳しい考え方については、今後公開予定の AI外観検査の費用・ROI徹底解説 でも解説します。
業界別に見たAI外観検査の活用パターン
自動車部品
自動車部品では、プレス部品、切削部品、樹脂部品などのキズ、打痕、欠け、バリの検出に使われます。部品点数が多く、品質要求も高いため、外観検査の自動化ニーズが高い領域です。
食品製造
食品製造では、包装フィルムの印字不良、シール不良、異物混入、内容量の見た目異常などの検査に活用されます。高速ラインで大量の製品を扱うため、インラインでの全数検査が求められるケースもあります。
金属加工
金属加工では、表面キズ、打痕、変色、バリ、欠けなどの検出が対象になります。金属表面は反射の影響を受けやすいため、照明設計が特に重要です。
樹脂成形
樹脂成形では、黒点、ショートショット、ウェルドライン、変色、欠けなどの検査に活用されます。製品形状や材料の違いによって見え方が変わるため、品種ごとの撮像条件やモデル管理がポイントになります。
電子部品・半導体関連
電子部品・半導体関連では、微細なキズ、欠け、異物、実装不良などの検出に活用されます。高精度な検査が求められるため、カメラ解像度、照明、搬送精度、画像処理の設計が重要になります。
このように、AI外観検査は業界ごとに対象となる不良や導入ポイントが異なります。自社と近い業界や製品の導入パターンを参考にすることで、検討を進めやすくなります。
業界別の詳しい導入パターンについては、今後公開予定の AI外観検査の導入事例集 でも紹介します。
導入時によくある課題と対策
画像データが不足する
AIの学習には画像データが必要ですが、不良品のサンプルが十分に集まらないケースは少なくありません。この場合、良品画像を中心に学習する異常検知型AIを検討したり、データ拡張を使ったりする方法があります。
撮像環境が安定しない
照明やカメラ位置、ワークの向き、搬送時のブレが変わると、AIの判定精度も変わります。PoC段階から、本番ラインに近い撮像条件で検証することが重要です。
現場の理解と協力を得にくい
「AIに仕事を奪われるのではないか」という不安を持つ検査員もいます。導入の目的は、人を置き換えることではなく、負荷を減らし、より高度な判断や改善業務に集中できるようにすることだと、早い段階から共有する必要があります。
AIに過度な期待をしてしまう
AIを導入すれば不良がゼロになる、すべての検査を完全に自動化できる、と考えると失敗しやすくなります。PoCの段階で、どの不良を対象にするのか、どの程度の精度を目指すのか、どこまでをAIに任せるのかを関係者間で合意しておくことが大切です。
AI外観検査を検討するための次の一歩
AI外観検査は、製造業のDXにおいて成果が見えやすい領域の一つです。目視検査の属人化を減らし、検査基準を安定させ、品質データを蓄積できるようになる点は、多くの製造現場にとって大きな意味があります。
一方で、導入には注意も必要です。AIモデルの性能だけでなく、撮像環境、検査基準、データ管理、ライン連携、運用体制まで含めて設計しなければ、現場に定着しません。
まずは、自社の検査課題を整理することから始めるべきです。
- どの製品の検査を自動化したいのか
- どの不良を検出したいのか
- 現在の検査工数はどれくらいか
- 見逃しや過検出はどの程度発生しているのか
- 画像データはどの程度蓄積されているのか
- 撮像環境を安定させられるか
- AIの判定結果を誰が確認し、どう運用するのか
これらを整理することで、PoCで確認すべきことや、ベンダーに相談すべき内容が明確になります。
AI外観検査は、単なる検査工程の自動化ではありません。これまで人の経験に依存していた品質判断を、データに基づいて再現し、継続的に改善していくための仕組みです。
IoTNEWS AI+では、今後、AI外観検査の費用・ROI、PoCで確認すべきチェックリスト、ソリューション比較、業界別の導入パターン、ベンダー選定のポイントなどを順次解説していきます。
AI外観検査の導入を具体的に検討したい方で、まだメルマガを登録していない方は、ぜひメルマガに登録して、今後の解説やチェックリストを情報収集にお役立てください。