生産技術者がAIの成否を握る理由
AIプロジェクトでは、データサイエンティストやAIベンダーがモデルを担当し、生産技術者は「現場の調整役」として扱われがちです。しかし、外観検査AIの精度の大部分は撮像系で決まり、欠陥が画像に写らなければどんなモデルでも検出できません。予知保全では、センサーの選定と取り付け位置、サンプリング周期が、取れる兆候の上限を決めます。AIの入力側を設計できるのは、設備と工程を知る生産技術者です。
以下の10のポイントは、外観検査・予知保全・条件出しの3つの場面に分けています。
外観検査で押さえる4つのポイント
1. 最小欠陥が数ピクセル以上に写るか
カメラの解像度と視野から、検出したい最小の欠陥が画像上で何ピクセルになるかを計算します。数ピクセル未満にしかならない欠陥は、AIでも安定して見つけられません。視野を狭くする、カメラを増やす、レンズを変えるといった判断は生産技術者の領域です。
2. 照明は欠陥の種類で選ぶ
同軸照明、ドーム照明、ローアングル照明、バックライト、偏光フィルタは、欠陥の種類（傷、打痕、異物、形状）によって写り方が大きく変わります。AIの検討の前に、欠陥が最もはっきり写る照明条件を実験で決めます。PFUの外観検査設計の自動化の検証では、照明・カメラ条件の探索を約6時間から30分に短縮し、欠陥検出率が71.5%から85.1%に上がったと2026年9月に発表されています。条件の探索が精度に直結することを示す例です。
3. 位置決めと露光の再現性
ワークの位置や向きが毎回ずれる、搬送のブレで画像がぼやける、照明が経年で暗くなる、といった変動は、PoCでは問題にならなくても量産ラインで過検出を増やします。撮像条件がPoC時と量産ラインで違うことは、外観検査AIの典型的な失敗の一つです。治具や位置決めの改善は、AIの再学習よりも効果が大きいことがあります。
4. 1方向で見えない欠陥は多視点で撮る
公開データセットのReal-IADは、1視点では見えない欠陥があるため、真上1台と約45度の4台の計5方向から撮影しています。部品の欠落や組付けの誤りのような「論理的な異常」は、パッチ単位で判定する手法が苦手とすることも知られています。必要な視点の数と、AIで見るべき欠陥か別の手段（センサー、治具での物理的な確認）で見るべき欠陥かの切り分けも、生産技術者の判断です。詳しくは 外観検査の照明設計 で扱っています。
予知保全で押さえる3つのポイント
5. 故障モードからセンサーを選ぶ
センサーを先に選ぶのではなく、FMEAなどで重要設備と故障モードを特定し、故障モードごとに適したセンシング（振動、電流、音、温度、油）を選びます。電流波形の解析（MCSA）は後付けしやすい利点があり、温度は応答が遅いため潤滑不良や過負荷の補助指標として使います。
6. サンプリング周期と圧縮を確認する
既存のヒストリアンのデータは、保存容量を抑えるために圧縮（デッドバンド）されていることが多く、高周波の特徴が消えています。軸受の異常のような振動の兆候を捉えるには、kHz単位のサンプリングが必要です。公開データセットのCWRU軸受データは12kHzと48kHzで計測されています。既存データを使えるかどうかは、周期と圧縮設定を確認してから判断します。
7. 運転条件を一緒に記録する
負荷や回転数、品種が変わると、正常時の振動や電流も変わります。固定の閾値では誤報が増え、AIでも運転条件を入力に含めないと正常と異常を区別できません。運転モードごとに正常モデルを分けることが、時系列の異常検知で最も効くとされます。センサーの値と一緒に、その時点の品種・負荷・設定値を記録する仕組みを設計します。
条件出しと工程への反映で押さえる3つのポイント
8. 条件出しにはベイズ最適化が使える
成形や加工の条件出しでは、少ない実験回数で良い条件を探すベイズ最適化が使われています。射出成形の研究（Kariminejad et al., 2024）では、単目的の最適化が16実験で済み、中心複合計画ベースの31実験からほぼ半減しました。生産技術者は、目的（品質規格、サイクルタイム）と制約（設備の安全範囲）を定義する役割を担います。詳しくは ベイズ最適化による条件出し で扱っています。
9. AIの推奨条件を安全範囲で縛る
同じ射出成形の研究では、比較対象の手法が材料に対して高すぎるバレル温度（235℃、焼けのリスク）を提案したのに対し、ベイズ手法は約195℃に保ったと報告されています。AIの推奨は、材料や設備の知見に照らして安全範囲を外れていないかを確認する必要があります。推奨条件の上限・下限は、AIに任せず生産技術者が設定します。
10. 設備の変更をAI担当に必ず伝える
治具の交換、設備の改造、カメラの位置の変更は、AIから見ると入力データの性質が変わること（コンセプトドリフト）を意味します。工場向けのMLOpsでは、設備の変更管理とAIの再学習を連携させることが論点として挙げられています。設備の変更記録をAI担当に共有する手順を決めておきます。
生産技術者が身につけたい知識
| 分野 | 身につけたいこと | 使う場面 |
|---|---|---|
| 評価指標 | 見逃し率・過検出率と閾値の関係 | PoCの合格ラインの設定 |
| データ | サンプリング周期、時刻同期、タグの命名 | データ収集の設計 |
| 手法の向き不向き | 良品学習と教師あり、閾値とML | ベンダー提案の評価 |
| 実験計画 | ベイズ最適化、実験計画法 | 条件出し |
AIに必要な人材のスキルは 製造業のAI人材に必要なスキル で、精度の読み方は AIの「精度95%」をどう読むか で扱っています。
よくある質問
生産技術者もプログラミングを学ぶ必要がありますか
必須ではありません。評価指標の意味、データの周期や形式、手法の向き不向きを理解していれば、AIプロジェクトで十分に判断できます。簡単なデータ集計ができると、ベンダーとの会話が速くなります。
撮像系の改善とAIの導入はどちらを先にすべきですか
撮像系が先です。欠陥が安定して写る条件が決まってから、AIの手法を比べます。撮像条件が決まらないままAIを学習させると、条件を変えるたびに学習し直すことになります。
既存の画像処理検査をAIに置き換えるべきですか
既存の画像処理で十分な精度が出ているなら、置き換える必要はありません。良品のばらつきが大きく、ルールで書けない判定が必要な工程から検討します。
- PFU NEDOテーマ2で1位（MONOist, 2026-09-29）
- Real-IAD（Wang et al., arXiv 2403.12580, 2024-03-19）
- EfficientAD（Batzner et al., arXiv 2303.14535）
- Deep Learning Algorithms for Bearing Fault Diagnostics – A Comprehensive Review（Zhang et al., arXiv 1901.08247）
- Anomaly Detection in Time Series: A Comprehensive Evaluation（Schmidl, Wenig, Papenbrock, PVLDB 2022）
- Single and multi-objective real-time optimisation of an industrial injection moulding process（Kariminejad et al., 2024）
- Hidden Technical Debt in Machine Learning Systems（Sculley et al., NeurIPS 2015）
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
