画像検査AIの導入で失敗しないために｜外観検査のデータ準備・費用・PoC設計

外観検査AIの導入前に、撮影条件・良品と不良品の定義・見逃しと過検出を整理。カメラや設備連携を含む費用、PoCの進め方、現場で使い続けるための確認事項を解説します。

画像検査AIの導入は、モデルを選ぶ前の撮影と検査基準で結果が変わります。傷や汚れを見つけたいのか、部品の有無を確認したいのか、寸法を測りたいのかによって、必要な画像と判定方法は異なります。まずは対象を1工程・1品種などに絞り、検査担当者が何を根拠に合否を決めているかを整理しましょう。

AIで検査する前に、撮影条件を固定する

同じ良品でも、照明、反射、角度、距離、背景が変わると見え方が変化します。画像を集める段階で、カメラの設置位置、照明、撮影タイミング、対象物の向きを記録します。実際のライン速度でぶれずに撮れるか、汚れや振動で条件が変わらないかも、現場で確かめてください。

単純な位置や色の判定なら、ルールベースの画像処理で対応できる可能性もあります。深層学習や生成AIを使うこと自体を目的にせず、判定の安定性、説明のしやすさ、必要な計算機、変更時の手間を同じ条件で比較します。

不良の種類、許容範囲、判定が割れる境界例を、検査担当者と共有します。ロットや撮影日が近い画像だけで学習と評価を分けると、似た画像に対する性能しか確認できません。別の日、別ロット、段取り替え後の画像を評価に含め、現場で起こる変化を試します。

MVTec ADは、産業画像の異常検知を研究する公開データセットです。ただし、公開ベンチマークの結果は自社ラインでの精度を保証しません。同データセットには非商用の利用条件もあります。導入検証には、利用権限を確認した自社画像を用意し、自社の合否基準で評価してください。

全体の正解率だけを見ると、良品が大半を占める現場では不良の見逃しが埋もれます。不良をどれだけ拾えたか、良品をどれだけ不良と判定したか、人の再確認が何件増えたかを分けて記録します。重要な不良を種類別に確認し、許容する基準を現場側で決めます。

たとえば架空の評価では、不良100個のうち95個を検出すれば検出率は95％、良品1,000個のうち50個を不良と判定すれば良品の過検出率は5％です。これは推奨値ではありません。見逃した5個の重大性と、再確認が必要な50個を現場が処理できるかまで判断します。

費用は、撮影機器と照明、画像の収集と分類、モデルや判定ロジック、計算機、設備との信号連携、排出機構、監視と再調整に分けます。AIが判定できても、対象物を追跡して正しく排出できなければ工程は完了しません。既存設備を止める時間や、導入後の担当者教育も見積もり条件へ加えます。

PoCでは、まず人の検査と並行して判定を記録する方法があります。結果を比較し、見逃しと過検出、判定時間、停止時の手動運用を確認してから、自動排出などへ進みます。品種や照明が変わった際の再評価担当者と、設定を戻す手順も決めておきましょう。

良品中心の異常検知などが候補になりますが、検出したい不良を評価できる画像は必要です。データの偏りと境界例を確認して方式を選びます。

検査対象、主な不良、ライン速度、撮影例、現在の検査基準をお知らせください。For fでは、撮影・データ準備・PoCの範囲と、設備へつなぐ前の確認事項を整理するところから相談できます。

資料確認日：2026年11月11日。製品仕様は以下の公式資料を参照し、導入手順・比較項目は当記事の提案として整理しています。機能、利用条件、料金は導入時に自社環境と最新の公式情報で確認してください。