発表文に書かれていない「過検出率」と「記録の行き先」

ダイハツ工業が2026年6月22日に出した外観検査AIの導入リリースには、検出率も過検出率も、検査記録をどこに残すのかも書かれていません。対象は滋賀（竜王）工場第1地区のアルミ加工ラインで作るトランスミッション用部品で、加工穴の内部にあるキズなどをAIで判定します。同社によると、この検査は作業者の経験や感覚に大きく依存しており、0.1mm程度の差が品質に影響するうえ、キズの種類と場所のばらつきが大きく、安定した判定の手法が確立できていなかったといいます。製造業向けAIを手がけるVRAIN Solutionと共同開発し、両社で特許を共同出願しています。

もう1件は欧州です。Renault・Geely・Aramcoが出資するHorse Powertrainは2026年4月15日、スウェーデンのシェーブデ（Skövde）エンジン工場で、Siemensの外観検査システムInspektoを入れたと発表しました。AGV（無人搬送車）が運んできたエンジンを、協働ロボットに載せたカメラが数秒で調べます。設置から実物での試験、採否の判断までを2時間以内で行えるとし、検査画像はすべて検索できる記録として保存され、ライン全体のトレーサビリティに使うとしています。

2件の発表を並べると、効果の数字よりも、どの条件がそろっていたから導入できたのかが読み取れます。ダイハツは「人の官能に頼っていた検査を、現場の知見と画像認識で置き換えた」と書き、Horse Powertrainは「画像を記録として残す」ことを前面に出しています。以下では、この2つの軸、つまり欠陥を画像で判定できるかと、判定結果を品質記録にできるかを中心に、外観検査AIが効く工場と効かない工場を条件で分けます。

条件1・2：欠陥が写り、限度見本で合否を言えるか

外観検査AIが効くかどうかは、AIのモデルより前に決まります。1つ目の条件は、欠陥が画像に写ることです。加工穴の内部や鏡面の塗装面のように写しにくい対象でも、照明とカメラの位置を詰めれば写る場合があり、ダイハツの事例はその典型です。写らない欠陥は、どの手法でも検出できません。

2つ目は、良品と不良品の境目を限度見本（合否の境界を示す実物サンプル）で言えることです。検査員ごとに判定が割れる欠陥は、AIに渡す正解ラベルも割れます。AIはその揺れをそのまま学習するため、精度の議論が始まる前に止まります。

自動車部品でよく出る欠陥と、向く検出方式を整理すると次のようになります。方式の向き不向きは編集部の整理で、個々のワークの条件で変わります。

欠陥の種類主な部品の例向く検出方式効きにくくなる条件
加工面・穴内部のキズトランスミッション部品、バルブボディ深層学習（教師あり）＋専用照明キズの種類・位置のばらつきが大きく、NG画像が少ない
鋳巣・ピンホール（表面に出たもの）アルミダイカスト部品深層学習、良品だけで学習する異常検知内部の巣は外観では写らない（X線・CTの領域）
打痕・擦りキズプレス部品、樹脂外装部品異常検知＋人の再判定良品の自然なばらつき（光沢・地肌）が大きい
塗装のブツ・タレ・ハジキバンパー、外装パネル縞パターン照明＋多視点撮像＋深層学習曲面・鏡面で写り方が角度ごとに変わる
欠品・誤品・組付け向きエンジン、サブアッセンブリルールベースの画像処理、深層学習品番切替が多く、マスター画像の管理が追いつかない
刻印・印字の読み違い部品ラベル、ダイレクトマーキングOCR（文字認識）かすれ・反射。読めない場合の処理が決まっていない

塗装欠陥の写し方は塗装外観検査AIの記事とあわせて読むと、撮像側の詰め方が分かります。表の右端の列に1つでも当てはまる場合は、モデルを選ぶ前に撮像と限度見本の整備から始めることになります。

条件3・4：品種と条件が安定し、NGの画像が集まるか

3つ目は、品種と撮像条件が安定していることです。Horse Powertrainの発表は、検査ポイントの追加や削除をロボットのパラメータを変えずに現場の担当者が行えるとし、ラインの最初・途中・最後のどこにでも置けると説明しています。裏返せば、品種や検査点が変わるたびに専門家の調整が要る構成では、多品種のラインで運用が続きません。自動車部品のTier2・Tier3では、同じラインで数十品番を流すことも珍しくなく、切替のたびに再学習や閾値調整が必要になると、検査員の工数がそのまま調整工数に置き換わるだけになります。

4つ目は、学習に使うNG（不良）の画像が集まるか、または良品だけで学習する方式で足りるかです。自動車部品は不良率が低く、ppm（100万個あたりの不良数）単位で管理しているラインでは、教師あり学習に必要な数のNG画像が何カ月たってもそろいません。この場合は、良品の画像だけで「普段と違う」を見つける異常検知方式に寄せ、検出したものを人が再判定する流れにします。

条件5：判定結果をIATF 16949の品質記録にできるか

5つ目の条件は、AIの判定を品質記録として残せるかどうかです。自動車産業の品質マネジメントシステム規格IATF 16949の認証を受けている工場では、検査の結果は取引先への説明と監査で使う記録になります。外観検査AIを入れると、記録の中身が「検査員の判定」から「ソフトウェアの判定と、その根拠の画像」に変わります。検査記録の保管期間や形式は、OEM（完成車メーカー）ごとの顧客固有要求（CSR）で上乗せされることがあるため、取引先のCSRを先に確かめる必要があります。

ここで効いてくるのが、Horse Powertrainが強調した画像の保存です。判定結果と画像が部品のシリアルやロットと紐付いていれば、流出が起きたときに「その個体はどう判定され、どの画像だったか」をたどれます。紐付いていなければ、AIの判定は合否の信号として流れて消え、記録としては目視検査より弱くなります。判定結果をMESに戻す設計は外観検査AIの判定結果をMESに戻す方法で扱っています。

IATFは2026年7月の通知（Stakeholder Communiqué SC-2026-005）で、IATF 16949の第2版の重点5項目と日程を示しました。重点の2つ目は「ソフトウェアの品質保証」で、製品だけでなく製造工程でもソフトウェアの重要性が増していることを理由に挙げています。発行は2027年半ばの予定で、日程は変わりうるとされています。第2版で外観検査AIそのものがどう扱われるかはまだ分かりません。ただ、判定ソフトのモデル更新や閾値変更を、どの記録で管理しているかを監査で問われる場面は増えると編集部はみています（推測）。

外観検査AIの導入可否を5条件で確かめる路線図。欠陥が写る、限度見本がある、品種と条件が安定、NG画像か良品学習で足りる、結果をシリアルに記録できる、の順に進み、満たせない場合はそれぞれ撮像の検証、限度見本の整備、検査点の絞り込み、異常検知と人の再判定、MES連携の設計に降りる 本稼働 12345 欠陥が写る 限度見本がある 品種・撮像条件が安定 NG画像が集まるor 良品学習で足りる 結果をシリアル・ロットに記録できる 満たせない 照明・カメラの撮像検証 限度見本と判定基準の整備 検査点・品番を絞って開始 異常検知＋人の再判定 MES連携と画像保存の設計 先に整えること（満たせたら上の路線に戻る）
外観検査AIが効くかどうかを決める5つの条件。左から順に確かめ、満たせない駅で下の「先に整えること」へ降りる。

条件を満たさない工場は、どこから手を付けるか

5条件をすべて満たす工場は多くありません。効かない工場の典型は、欠陥の定義がベテラン検査員の頭の中にしかなく、品番切替が多く、判定結果を残す先がない工場です。この場合にAIのPoCから始めると、撮像の試行錯誤と正解ラベルの議論に数カ月を使い、合否基準が決まらないまま終わりがちです。

逆に、検査対象が1品番か少数の品番に絞れ、限度見本があり、MESや生産実績システムに個体単位の記録がある工場は、ダイハツのように1工程から始めて同じ構造の部品へ広げる進め方が取れます。ダイハツも、同様の構造を持つアルミ製品へ展開でき、今後は他部品の検査工程にも入れる予定だとしています。

Tier1とTier2では、条件5の重みも変わります。OEMから直接CSRを受けるTier1は記録の要求が厳しく、画像の保管と判定ソフトの変更管理まで含めて設計する必要があります。Tier2以下は、納入先のTier1が求める記録の水準を確かめ、それに合わせて画像の保存期間を決めるのが現実的です。部品メーカー全体のAIの使いどころは自動車部品（Tier1・Tier2）のAIで整理しています。

よくある質問

自動車部品の外観検査にAIを導入するとき、最初に何を確かめればよいですか？

欠陥が画像に写るか、限度見本で合否を言えるか、の2点です。写らない欠陥と、検査員ごとに判定が割れる欠陥は、どのAIでも安定して判定できません。この2点を満たしてから、品種の安定性、NG画像の集まり方、判定結果の記録先を確かめます。

外観検査AIの自動車での事例にはどのようなものがありますか？

2026年に公表されたものでは、ダイハツ工業が滋賀（竜王）工場でトランスミッション用アルミ部品の加工穴内部のキズをAIで検査する仕組みを導入しました（2026年6月発表、VRAIN Solutionと共同開発）。欧州ではHorse Powertrainがスウェーデンのエンジン工場でSiemensのInspektoを導入し、協働ロボットに載せたカメラでエンジンを検査しています（2026年4月発表）。どちらも検出率などの効果の数字は公表していません。

AIの判定結果はIATF 16949の検査記録として使えますか？

記録として使う場合の前提は、判定結果と画像を部品のシリアルやロットに紐付けて保存し、判定ソフトのモデル更新や閾値変更を変更管理の記録に残すことです。保管期間や形式は取引先の顧客固有要求（CSR）で上乗せされることがあるので、先に確認します。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#外観検査#自動車#品質管理
業種
自動車
業務
品質
技術
画像認識・マルチモーダルデータ基盤・MES連携
この特集について

外観検査AIの選び方

良品学習か不良学習か、撮像系を誰が持つか。精度の数字だけで選ばないための比較軸　全53本

  1. Siemensエアランゲン工場の「最大85%」：発表文の3つの言い回しを読む
  2. 外観検査AIとは？2つの学習方式と導入5ステップを製造現場の目線で解説
  3. 製造業のAI活用10領域：外観検査・予知保全から設計・技能伝承まで一覧
  4. 外観検査AI製品の比較軸10項目：学習方式・撮像系の範囲・エッジ対応・再学習の手間
特集の記事をすべて見る →

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

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。

運営者情報　編集方針　株式会社サオスのサイト

週刊 製造業AI

製造業で使える注目のOSS・モデルの週間ランキングと、その週の新着記事5本を毎週月曜にお届けします。無料・いつでも解除できます。

登録によりプライバシーポリシーに同意したものとします。配信は株式会社サオスが行います。