業種で変わるのは欠陥の定義・規制・タクト

外観検査AIの基本の仕組み（撮像、良品学習や不良学習、閾値、再判定）は業種を問わず共通です。業種で大きく変わるのは次の3つです。

1つ目は欠陥の定義です。自動車の外装では「顧客が目にする面の見た目」が基準になり、電子部品では「機能に影響する微小な欠け・異物」が基準になります。食品では「健康被害につながる異物」が最優先です。2つ目は規制と顧客要求です。医薬品は検査装置のバリデーションが求められ、食品はHACCPの記録が要り、自動車部品は顧客の品質保証要求に応える記録が求められます。3つ目はタクトと検査対象の大きさです。1秒に数十個流れる小さな部品と、数分に1台流れる車体では、撮像系と推論の設計がまったく違います。

業種別の検査対象10例

#業種検査対象主な欠陥撮像・方式の特徴重視する指標
1自動車溶接ビード形状不良、ピット、スパッタ3D計測＋ロボット、寸法はルール判定見逃し率、手直し工数
2自動車塗装面ブツ、タレ、ハジキ、色ムラ縞パターン照明、多視点見逃し率、色ムラの判定一致率
3電子部品実装基板部品欠品、位置ずれ、はんだ不良高解像度2D＋3D、論理異常も含む見逃し率、過検出率
4電子部品微小部品（イヤホン部品など）ミリ単位の傷・欠け高倍率撮像、多視点見逃し率、処理速度
5半導体ウェハナノメートル級の欠陥専用検査装置の画像をAIで分類欠陥分類の正確さ、歩留まり
6電池セル・電極異物、傷、位置ずれ複数カメラ、工程ごとの全数検査故障率（ppm・ppb）
7食品原料異物、変色、規格外良品学習、近赤外・X線との併用見逃し率、HACCP記録
8医薬品錠剤・PTPシート欠け、汚れ、異物、印字高速搬送での撮像、バリデーション見逃し率、バリデーション記録
9不織布・繊維反物汚れ、穴、異物、ムララインスキャンカメラで連続撮像見落とし率、欠点の位置記録
10金属・鋳造鋳物・ダイカスト型式の取り違え、巣、欠け画像センサでの型式判別、X線異品混入ゼロ、見逃し率

国内の公開事例

国内では、業種ごとに次のような事例が公開されています（数値は各社・ベンダーの発表）。

  • 不織布：金井重要工業は、フツパーのメキキバイトで不織布の検査を自動化し、見落としを95%削減した（フツパー公式の導入事例、2026年10月閲覧）
  • 医薬品：ワキ製薬は、同じくメキキバイトで錠剤シートの検査を45%速め、省人化した（同上）
  • 自動車：タチエスは、リンクウィズのL-QUALIFYで0.1mm単位のレーザ溶接検査をロボット化した（リンクウィズ公式、2026年10月閲覧）
  • 食品：キユーピーは、良品のパターンを学習するAI原料検査装置を2018年8月に実ラインで稼働させ、扱う原料は3,000種類以上（MONOist、2020年4月）
  • 非鉄ダイカスト：群馬合金（従業員125人）は、キーエンスのAI画像センサIV3で型式を自動判別し、異品の取り違えをなくした（中小機構 省力化ナビ 事例0029）

不織布のように連続した長い製品は、ラインスキャンカメラで流れながら撮像し、欠点の位置を反物の長さ方向の位置として記録します。欠点の位置が記録できれば、後工程で欠点部分を切り落とす判断や、出荷先への欠点マップの提供にも使えます。業種別の詳細は繊維・不織布のAI活用や医薬品の外観検査AIで扱っています。

中国の公開事例

中国では、外観検査AIが工場全体のAI化の一部として大規模に導入されている例が公開されています。いずれも企業・メディアの発表で、比較条件はそろっていません。

宁德时代・溧阳工場のセル故障率
10億分の1
中国证券报（2024年6月）。カメラとAI検査の組合せで100万分の1から低減
佛吉亚（盐城）の顧客クレーム削減
94%
WEF（2026年1月）。マルチモーダルAIの品質管理40超のユースケース
恒逸化纤×百度のAI検査
1個2.5秒
数英（2022年7月）。人手比で効率70%向上とされる

宁德时代（CATL）の溧阳工場では、カメラ8台とAI検査を組み合わせ、セル故障率を100万分の1から10億分の1に下げたと報じられています（中国证券报、2024年6月）。電池では1つの欠陥が発火などの重大事故につながるため、故障率をppm（100万分の1）やppb（10億分の1）の単位で管理します。電子部品の分野では、思谋科技（SmartMore）がTWSイヤホンのミリ単位の部品をAIエージェントで検査している例が紹介されています（南方财经、2026年7月）。

WEFのグローバル・ライトハウス・ネットワークに選ばれた中国の工場では、外観検査が単独ではなく、工程最適化と組み合わせて報告されることが多い点も特徴です。华峰重庆氨纶は、AIによる工程最適化と外観検査を含む62の応用で不良率を35%下げたとしています（WEF、2026年1月）。検査で見つけた欠陥の情報を上流の工程条件の改善に使う構成が、成果の数字に表れていると読めます。

業種を問わず共通する設計

業種によって撮像と基準は違っても、本番で定着させるために必要な設計は共通しています。

  • 検査仕様（不良定義、限度見本、許容見逃し率）を品質保証部門が決める
  • 量産と同じ撮像条件で評価し、見逃し率と過検出率で合否を決める
  • 判定結果と画像を、ロット・シリアル・設備と紐付けて記録する
  • 再学習の担当と手順を決め、モデルの版を記録する

特に記録の設計は、業種ごとの規制や顧客要求に応えるうえで欠かせません。医薬品のバリデーション、食品のHACCP記録、自動車部品のトレーサビリティ要求は、いずれも「いつ、どの条件で、どう判定したか」を後から示せることを求めています。記録の設計は外観検査AIの判定結果をMESに戻す、業種全体の俯瞰は業種別に見る製造業AIを参照してください。

よくある質問

医薬品の外観検査AIで特に注意することは何ですか？

GMP（医薬品の製造管理と品質管理の基準）のもとで、検査装置とソフトが意図どおりに動くことを検証し記録するバリデーションが求められます。モデルを再学習するたびに変更管理と再検証が必要になるため、再学習の頻度と手順を最初から計画に入れてください。

食品で外観検査AIを入れる優先順位は？

健康被害につながる異物の検出が最優先で、次に規格外品の選別、印字の確認と続くのが一般的です。異物は場所と材質で方式が変わるため、可視光のAIだけでなくX線や金属検出機との組合せで考えます。

電子部品の実装検査は既存のAOIと何が違いますか？

既存の自動光学検査装置（AOI）はルールと基準画像との比較が中心で、過検出が多いことが課題とされてきました。AIを組み合わせると、AOIが不良候補とした画像を再判定して過検出を減らす使い方ができます。部品の欠品や位置違いのような論理的な異常は、良品学習だけでは苦手なため、物体検出とルールの併用が必要です。

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#電子・半導体
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