ゼロショット異常検知は「立ち上げ初期の当たり付け」に使う道具
結論から書くと、WinCLIPに代表されるゼロショット異常検知は、量産ラインの合否判定を任せる技術ではありません。使いどころは、良品画像がまだ数枚しかない新製品の立ち上げ期に「この撮像条件で欠陥が画像上どの程度目立つか」「どの欠陥が良品学習で拾えそうか」を短時間で見当づける場面です。
従来の良品学習（PatchCoreやPaDiMなど）は、少なくとも数十〜数百枚の良品画像を集めてから学習します。新製品の量産試作では、その枚数が揃うまでに数週間かかることがあり、その間に撮像系の検討が止まると立ち上げ全体が遅れます。ゼロショット方式はこの空白期間を埋める道具として位置づけると、期待値と実力が噛み合います。
良品学習と不良学習の基本的な違いは良品学習と不良学習の違いで整理しています。本記事はその手前、学習データがほぼない段階の話です。
WinCLIPの仕組み：言葉で「正常」と「異常」を書く
WinCLIPは2023年3月にarXivで公開され、CVPR 2023で発表された手法です。画像と文章を同じ空間に埋め込むCLIPという事前学習済みモデルを使います。「a photo of a flawless metal nut」（傷のない金属ナット）のような正常を表す文と、「a photo of a damaged metal nut」（損傷した金属ナット）のような異常を表す文を多数用意し、検査画像がどちらの文に近いかで異常度を出します。
画像全体だけでなく、画像を大小の窓（ウィンドウ）に区切って同じ比較をすることで、どこが異常かという位置も推定します。名前のWinはこのウィンドウに由来します。良品画像を1枚も使わずに判定できるのがゼロショット、良品画像を数枚だけ参照に加えるのがフューショット（論文ではWinCLIP+）です。
ここで押さえておきたいのは、判定の基準が「インターネット規模の画像と文章で学んだ一般的な正常・異常の概念」だという点です。自社の限度見本、つまり「この程度の打痕は合格」という工場固有の基準は、モデルのどこにも入っていません。
数字で見る実力：ゼロショット・1枚・フル学習の差
公開ベンチマークの数字を並べると、立ち位置がはっきりします。値はいずれも論文著者の発表値で、条件の整った研究用データセットでの結果です。
| 方式 | 学習に使う良品画像 | MVTec AD 画像分類 | MVTec AD 位置推定 | VisA 画像分類 |
|---|---|---|---|---|
| WinCLIP（ゼロショット） | 0枚 | 91.8% | 85.1% | 78.1% |
| WinCLIP+（1ショット） | 1枚 | 93.1% | 95.2% | 83.8% |
| PatchCore（フル学習） | 1カテゴリ平均200〜250枚 | 最大99.6% | 約98% | 論文条件による |
MVTec ADは15カテゴリ・5,354枚の産業画像データセット、VisAは12物体・10,821枚で、VisAの方が複雑な構造や複数個体を含みます。ゼロショットではMVTec ADで91.8%に届く一方、VisAでは78.1%まで下がります。対象が複雑になるほど「一般的な異常の概念」では足りなくなることが読み取れます。
もう一つ注目すべきは、良品を1枚加えただけで位置推定が85.1%から95.2%に上がる点です。完全なゼロショットに固執するより、立ち上げ初期に良品を数枚でも撮って参照に入れる方が、実務上の手応えは大きく変わります。
量産の合否判定に足りない3つの理由
1つ目は精度の天井です。上の表のとおり、フル学習との差は条件の整ったデータセットでも数ポイントから十数ポイントあります。量産では照明の経年変化や搬送ブレが加わるため、差はさらに開くと考えるのが自然です。
2つ目は判定基準の外部依存です。ゼロショットの判定根拠は事前学習データの中にあり、自社の不良定義を直接教える手段がテキストのプロンプトしかありません。「油染みは不良、加工油の薄い残りは良品」のような細かな線引きを文章で書き分けても、安定して効くとは限りません。
3つ目は説明と監査です。品質保証部門や顧客監査では「どの基準で、どのモデルが、どの閾値で判定したか」を示す必要があります。プロンプトの言い回しで結果が変わる仕組みは、変更管理と再現性の点で扱いにくくなります。
現場での使いどころ4つとデータの持ち方
使える場面は次の4つです。
- 撮像条件の比較：照明や角度を変えた画像をゼロショットで評価し、欠陥が目立つ条件を絞り込む。数値は相対比較に使い、合否には使わない
- 欠陥候補の洗い出し：量産試作の画像から異常度の高いものを抽出し、人が確認して限度見本の候補にする
- 学習データ収集の優先順位付け：異常度が低いのに人が不良と判定した画像は、良品学習が苦手な欠陥の候補として重点的に集める
- 多品種ラインの一次スクリーニング：品種ごとの学習が間に合わない少量品で、人の目視検査の前段として疑わしい品を並べ替える
どの使い方でも、ゼロショットの出力を捨てずに保存しておくことを勧めます。画像、異常度、使ったプロンプト、人の最終判定を品番とロットに紐づけて残せば、それがそのまま次の良品学習の学習・評価データになります。最初の数週間を「データを貯めながら当たりを付ける期間」と設計すると、ゼロショットを試した時間が無駄になりません。必要枚数の目安は外観検査AIの学習データは何枚必要かで扱っています。
近年は画像と言語を扱う大規模モデル（VLM）を検査に使う動きもあり、考え方の違いは外観検査に生成AI（VLM）は使えるかで比較しています。
よくある質問
WinCLIPはどんなハードウェアで動きますか？
CLIPの画像エンコーダを使うため、GPUがあれば試行できます。立ち上げ期の評価用途であれば、ライン上のエッジ機器ではなく事務所側のGPU付きPCで、撮りためた画像をまとめて評価する使い方で十分です。
プロンプトを工夫すればフル学習に追いつきますか？
公開されている数字を見る限り、良品画像を1枚加えるだけで位置推定が大きく改善しており、プロンプトの工夫より実画像を参照に入れる方が効果は大きいと考えられます。合否判定を任せる精度に届かせるには、良品学習への移行が前提です。
ゼロショットの結果を顧客への品質保証に使えますか？
勧めません。判定基準を工場側で管理できず、再現性の説明も難しいためです。顧客に示す検査は、限度見本と閾値を文書化した良品学習・教師あり学習、または人の検査で担保してください。
この記事に出てくる用語
製造業の生成AI、どこまで任せられるか
文書検索、手順書の生成、品質報告のドラフト。人が承認する範囲と任せてよい範囲の線引き 全91本
- 製造業の生成AI活用の全体像：業務別12ユースケースと導入の順番
- 製造業の社内文書RAG入門：手順書・図面・品質記録を検索する5層構成
- Siemens Industrial Copilotの全体像：5系統の提供状況と狙い
- 生成AIの情報漏えい対策：製造業が決めるべき入力禁止情報とログ管理の7項目
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。
