外観検査AIは「撮像→判定→処置」の判定部分だけを担う
外観検査AIは、カメラ画像から傷・異物・欠け・汚れ・組付けミスを見つけ、良品と不良品を判定する仕組みです。狙いは目視検査の省人化、全数検査化、そして検査員ごとの判定のばらつきをなくすことにあります。
ただし、AIが担うのは工程全体のうち「判定」の一段だけです。前段にはワークの搬送と位置決め、照明、カメラ、露光があり、後段には不良品の排出、再検査、判定結果の記録があります。欠陥が画像に写っていなければ、どれほど高性能なモデルでも検出できません。外観検査AIの精度の大部分は撮像系で決まる、というのが実装経験から言える第一の原則です。
2つの学習方式：良品学習と不良学習
外観検査AIの方式は大きく2つに分かれます。良品画像だけで学習し、良品から外れたものを異常とみなす「良品学習（教師なし異常検知）」と、不良画像にラベルを付けて学習する「不良学習（教師あり分類・物体検出・セグメンテーション）」です。
| 観点 | 良品学習（異常検知） | 不良学習（教師あり） |
|---|---|---|
| 学習に要る画像 | 良品のみ（ばらつきを含む数十〜数百枚） | 不良クラスごとに十分な枚数 |
| 未知の欠陥 | 「いつもと違う」として拾える | 学習していない欠陥は拾いにくい |
| 欠陥の種類分け | できない（異常か否かのみ） | できる |
| 苦手なこと | 良品の自然なばらつきを異常と誤る | まれな不良が集まらない |
| 代表的な手法 | PatchCore、PaDiM、EfficientAD | 物体検出・セグメンテーション系 |
不良が少ない立ち上げ期は良品学習、不良の種類まで分けて工程に返したい場合は不良学習が向きます。量産ラインでは、良品学習で異常を拾い、不良学習で種類を分ける併用が現実的です。詳しい判断基準は良品学習と不良学習の違いで整理しています。
食品の公開事例では、キユーピーが原料検査装置で不良品のパターンではなく良品のパターンを学習する方式を採り、精度を大きく上げたと報じられています（MONOist、2020年4月）。扱う原料は3,000種類以上で、2018年8月に実ラインで稼働しました。不良の種類が多すぎて集めきれない対象ほど、良品学習の利点が出ます。
ベンチマークの精度と現場の精度は別物
論文の精度は、条件の整った公開データセットでの値です。代表的な手法であるPatchCoreの数字を並べると、その差がわかります。
AUROCは閾値に依存しない指標で、実運用の閾値での見逃しと過検出はわかりません。また、部品の欠落や配置違いのような「論理的な異常」を含むデータセットでは、PatchCoreの平均は91.1まで下がります。ベンダーの提示する精度を読むときは、どのデータで、どの指標で、どの閾値で測った値かを必ず確認してください。評価の詳細は外観検査AIの精度評価にまとめています。
導入は5ステップで進める
外観検査AIの導入は、次の5ステップで進めると手戻りが少なくなります。
- 検査仕様の明文化：何を不良とするか、限度見本、許容できる見逃し率を決める。人によって良否判定が揺れる状態のままでは、正解ラベルが作れない
- 撮像系の検証：その欠陥が画像に写るか、最小欠陥が数ピクセル以上で写る解像度か、照明で欠陥のコントラストが出るかを確かめる
- データ収集と手法比較：ロットを分散させて良品・不良を集め、PatchCoreやEfficientAD、教師ありモデルを同じ評価データで比べる
- 閾値設計と並行運用：見逃しと過検出のトレードオフで運用閾値を決め、人の検査とAIを並行して回して差分を分析する
- 本稼働と再学習の運用：品種追加や材料変更のたびに誰がどう再学習するかを決め、判定結果をMESの検査実績に紐付ける
ステップ1を飛ばしてデータ集めから始めると、評価の合否基準がないまま「なんとなく良さそう」でPoCが終わります。要件の洗い出しには外観検査AIの要件定義シートが使えます。
判定結果をMESに戻すところまでが導入範囲
AIの判定が画面に表示されるだけでは、品質データになりません。判定結果と画像をロット・シリアル・設備・時刻に紐付けて記録すれば、不良の発生傾向を工程条件と突き合わせられ、再学習の材料も自然に貯まります。品質監査では「どの版のモデルで合否を判定したか」も問われるため、モデルの版数も検査実績と一緒に残します。
よくある質問
外観検査AIはルールベースの画像処理と何が違いますか？
ルールベースは寸法や面積などの閾値を人が設定する方式で、欠陥の形が決まっているときは安定して速く動きます。AIは良品の見た目のばらつきや欠陥の多様さを学習で吸収できるため、ルールで書き切れない傷・汚れ・ムラに向きます。寸法測定や有無判定はルールベース、見た目の判定はAI、という使い分けが一般的です。
学習データは何枚くらい必要ですか？
良品学習では、ばらつきを代表する良品が数十〜数百枚必要です。公開データセットMVTec ADの学習用良品は1カテゴリ平均200〜250枚程度ですが、これは目安にすぎません。枚数よりも、ロット・材料・季節・照明の変化をどれだけ含めるかが重要です。評価用には学習に使わない実際の不良を確保します。
生成AI（VLM）で外観検査はできますか？
良品画像なしで判定するゼロショット手法も研究されていますが、量産の合否判定に使える精度には届いていないのが現状です。立ち上げ初期の当たり付けや、不良の説明文の作成など補助的な使い方から検討するのが妥当です。
この記事に出てくる用語
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
- 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
- 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
- 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
- 食品工場のAI活用：キユーピーの原料検査から需要予測・省人化まで5用途
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。
