発表の内容

PFUは2026年9月24日、外観検査の設計を自動化する技術がNEDOの「ものづくりDXチャレンジ」テーマ2で1位を受賞したと発表しました。MONOistの報道によると、この技術はCADデータから欠陥を仮想的に生成し、照明とカメラの条件を探索します。2024年度の石川県成長戦略ファンド事業で、石川県工業試験場と検証したものです。

照明・カメラ条件の探索時間（90%超短縮）
約6時間→30分
PFU発表（2026年9月24日、検証条件下）
欠陥検出率
71.5%→85.1%
PFU発表（2026年9月24日、検証条件下）

数字の読み方

探索時間の短縮と検出率の向上は、いずれも同社発表で、特定のワークと欠陥を対象にした検証の結果です。量産ラインの全品種で同じ改善が出ることを示す数字ではありません。検出率85.1%も、残り約15%を見逃すことを意味します。全数検査の代替として使うのか、人の検査の補助に使うのかで、この数字の評価は変わります。

手順従来本技術
条件の決め方熟練者が照明・カメラを実機で試行CADから仮想欠陥を生成し、条件を探索
確認撮像・学習して精度不足なら最初から探索した条件を実機で確認

製造業への示唆

外観検査AIのPoCがうまくいかない原因の多くは、欠陥が画像に写っていないことにあります。この技術は、撮像設計という熟練者に頼っていた工程を、CADを起点にした手順に置き換えようとするものです。照明やカメラの専門家を社内に持たない中小製造業にとって、条件出しの外注費と期間を減らせる可能性があります。照明の基本は外観検査AIの撮像・照明設計で解説しています。

よくある質問

CADがない部品にも使えますか？

発表はCADから仮想欠陥を生成する方式です。CADがない場合の扱いは報道からは分かりません。

製品として購入できますか？

受賞は技術の評価で、製品化の時期や価格は報道時点で示されていません。

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#中小製造業
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51本

  1. 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
  2. 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
  3. 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
  4. 自動車メーカーのAI活用：溶接・塗装検査から生産計画・フィジカルAIまで10用途
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