AI外観検査の最適な選び方を徹底解説！おすすめの製品も紹介

選び方に入る前に、AI外観検査が何を担うシステムなのかを押さえます。ここが曖昧なままだと、必要のない機能に費用を払うことになりかねません。3点に絞って確認しましょう。

AI外観検査が担う業務

AI外観検査は、カメラで撮った画像から製品の傷・汚れ・欠けを自動で判定するシステムです。人の目視検査を置き換えるほか、検査員の判断を補助する使い方もできます。

対象はプリント基板や電子部品、金属部品の打痕、食品の異物、樹脂成型品のヒケまで広がっています。判定結果を記録として残せるため、トレーサビリティの確保にも役立つでしょう。検査員の確保が難しい現場ほど、導入の効果は出やすくなります。人手による全数検査が難しい工程でも、検査の抜けを減らせます。

ルールベース検査との違い

ルールベース検査は、寸法・面積・色・位置を数値で定義し、しきい値で良否を判定します。基準を数値化できる検査に強く、なぜNGかを数値で説明できる点が利点です。

対してAIは、学習した画像をもとに人の感覚に近い判断を行います。傷の形が一定しない、模様の上に欠陥があるといった対象を扱えます。両者は対立する技術ではありません。数値で線引きできる検査はルールベースに任せ、残りをAIが受け持つ併用構成が現実的です。

自動化すべきかの判断基準

自動化が常に正解とは限りません。検査員が安定して確保でき、見逃しも起きていない現場もあります。その場合は、目視を続けるほうが費用対効果で勝ります。

検討の目安は、人員確保の難しさ、判定基準のばらつき、見逃しによる流出、記録の追跡性という4点です。2つ以上に課題があるなら、自動化の優先度は高いといえます。逆に生産数が極端に少なく、投資回収に年単位がかかる場合は、見送る判断も合理的でしょう。まずは自社の現状を、この4点で棚卸ししておきましょう。

編集部コメント：自動化の可否は、「AIが使えるか」では決まりません。「人による検査が限界に来ているか」を先に判断すると、検討の論点を整理しやすくなります。技術の選定はその次の段階だと編集部は考えます。外観検査そのものの前提を確認したい場合は、AI外観検査の解説記事もあわせてご覧ください。

AI外観検査は、どの形で現場に置くかによって4つに分かれます。必要な体制・費用・運用負荷は、この違いによって大きく変わります。まず全体像をつかみましょう。

• スマートカメラ型
• PCソフト＋カメラ型
• SDK組込型
• FA統合型

スマートカメラ型

カメラ・照明・推論用プロセッサを1台にまとめ、PCを置かずにライン上へ設置できる形態です。設置がコンパクトで、複数箇所へ分散して展開しやすい点が利点になります。

現場主導で運用を回しやすく、小さく始めたい場合の入口になるでしょう。ただし1台あたりの処理能力やモデルの大きさには制約があり、重い解析には向きません。検査内容が複雑になるほど、PC型との比較が要ります。まずは1台から試し、効果を見てから増やす進め方に向いています。

PCソフト＋カメラ型

PC上のソフトウェアで推論を動かす形態です。重いディープラーニングモデルや大量の画像データを扱える点が強みです。検査内容の作りこみも自由度が高くなります。

現場担当者が自分で学習させられるノーコード型もあり、内製化をねらうなら有力な候補でしょう。一方で専任の担当者が運用する前提の製品も多く、立ち上げ時の設定には相応の知識が要ります。カメラや照明は、別途そろえる前提です。台数を増やすときは、PCの処理能力もあわせて見直します。

SDK組込型

自社装置や検査機メーカーの装置に、AIの判定機能を組み込む形態です。立体物や大型部品など、特殊な検査対象に合わせて装置側を設計できます。

既存の生産設備へ統合しやすい点が利点です。一方で操作画面や運用フローの構築は、SIerやエンジニアが担う前提になります。社内に組み込みの体制がなければ、SIerの選定もセットで考えましょう。費用は開発工数の比重が大きくなります。立ち上げまでの期間も、他の形態より長くなりがちです。

FA統合型

PLC・ロボット・表示器といった生産設備と連携する形態です。既存のFAラインへAI検査を後付けしやすく、量産ラインへの組み込みに向きます。

FA機器を一定そろえた工場なら、操作感を統一できる利点もあります。検査結果を生産管理システムへ渡し、不良の傾向を工程改善に活かす運用まで見据えられるでしょう。ただし導入規模は大きくなりやすく、稟議で問われる金額も上がります。導入前に、対象ラインの設備構成を整理しておきましょう。

ここからは、何を実現したいかで選び方を整理します。同じAI外観検査でも、目的によって適した方式とタイプは異なります。代表的な3つの目的を取り上げましょう。

多品種少量の検査を素早く立ち上げたい

品種が多く、1品種あたりの生産数が少ない現場もあります。この場合は、新しい品種が出るたびに検査を組み直す手間が課題です。少量の画像で学習でき、現場で検査を組み替えられるタイプが向きます。

ノーコードで学習から運用まで内製できる製品なら、品種が増えるたびに外部へ依頼する必要がありません。不良品の画像が集まりにくい環境では、良品だけを学習する異常検知型も選択肢に入るでしょう。品種追加にかかる工数も、選定時の評価項目に含めておきます。

形の定まらない微細な欠陥を見つけたい

複雑な模様の上の微細な傷や、出方が一定しない汚れは、しきい値での線引きが難しい対象になります。ここでは表現力の高いディープラーニング型が主役です。

分類・物体検出・異常検知など、複数のアルゴリズムを備える製品もあります。欠陥の種類ごとに手法を変えられる点が強みです。複雑な欠陥ほど、撮像条件と学習データの質が成否に影響します。自社サンプルでPoCができるかを、事前に確かめましょう。見逃しの許容範囲も、社内で先に決めておくと評価しやすくなります。

高速ラインで全数検査を実現したい

1つの製品を大量に流すラインでは、タクトタイムに追従できるかが最初の関門になります。処理速度の実力値を、自社のライン速度と突き合わせて確認しましょう。

既存のFA設備と連携できるかも同じくらい重要です。カメラの台数と設置位置も、ライン速度に合わせて検討します。PLCやロボットとの信号のやり取り、判定結果の記録先まで含めて設計すると、稼働後の手戻りを防げます。検査単体の性能だけで選ぶと、ラインへの組み込みで詰まるでしょう。

次は、誰が使うかで見ていきます。同じ製品でも、主に運用する部門によって重視すべき条件が変わります。ここでは3つの部門を取り上げましょう。

品質保証部門

重視すべきは、判定の根拠を説明できるかどうかです。顧客監査や工程監査では、なぜNGと判定したのかを必ず問われます。

判定結果の可視化機能、検査履歴の保存期間、帳票への出力可否を確認しておきましょう。数値で説明が必要な項目は、ルールベースに残す設計も有効になります。しきい値を変更した履歴が残る製品なら、監査対応の負担も軽くなるでしょう。判定画像の保存期間は、顧客要求に合わせて決める必要があります。検査条件を変更した際の承認フローも、あわせて整えておきます。

生産技術部門

ラインへの組み込みやすさが判断の中心になります。設置スペース、撮像用の治具、既存設備との信号連携が現実的に成立するかを見ていきます。

タクトタイムに収まるかは、カタログ値ではなく自社ワークでの実測で確かめましょう。立ち上げ後は、撮像条件の維持も担当範囲に入ります。照明の劣化やワークの個体差にどこまで耐えるかも、評価軸になるでしょう。治具の製作費と設置工事の工数も、早めに見積もっておきます。既存ラインの停止時間をどこまで取れるかも確認します。

情報システム部門

検査データをどこへ蓄えるかが論点になります。判定画像は容量が大きく、保存期間を長く取るほどストレージの設計が要ります。

生産管理システムとの連携方式と、ネットワークの分離方針を確認しておきましょう。オンプレミスとクラウドのどちらで運用するかも論点になります。現場に閉じたシステムとして導入すると、後から全社のデータ基盤へつなぐ際に手戻りが出ます。画像の保存期間と保存先は、部門間で早めに合意しておくと安心です。

最後に、企業規模から来る制約で整理します。規模そのものより、専任担当の有無や拠点数、稟議の通し方が選択を左右します。3つの規模で見ていきましょう。

中小企業

専任の検査担当やエンジニアを置きにくいため、現場担当者だけで回せるかが判断の軸になります。ノーコード型や、装置一体のスマートカメラ型が候補に入ります。

まず1ラインの1工程から始め、効果を確認してから広げる進め方が現実的でしょう。補助金の対象になる製品もあります。導入前に最新の公募要領を確認しておくと、初期費用の負担を抑えられるでしょう。導入支援の範囲も契約前に詰めておきます。操作を任せる担当者は、選定の段階から巻き込むと定着しやすくなります。

中堅企業

複数ラインへの横展開が視野に入る規模です。1台導入して終わりにはなりません。同じ製品で台数を増やせるか、学習した検査設定を他ラインへ展開できるかが影響します。

社内に生産技術の担当がいるなら、PCソフト型やFA統合型も選択肢になります。運用の標準化を早めに決めておくと、ライン間で判定基準がばらつく事態を避けられるでしょう。拠点が分かれるなら、遠隔でモデルを更新できるかも確認します。保守契約の範囲も、ライン数に応じて見直しておきましょう。

大企業

拠点をまたいだ展開と、既存システムとの連携が判断を左右します。工場ごとに設備構成が違うため、統一できる範囲と個別に対応する範囲を先に切り分けておきましょう。

稟議では単価より数年分の総額と、既存ラインへの影響が問われます。全社一斉ではなく、代表ラインで実績を作ってから広げる進め方なら、リスクを抑えられるでしょう。拠点ごとに運用ルールが割れないよう、標準の手順書も用意します。監査対応の要件も早い段階で確認します。

目的・部門・規模で方向が見えたら、自社の条件に当てはめます。ここからは順番が大切で、上から確認すると手戻りを抑えられます。5つの項目を順に見ていきましょう。

• 検査対象の性質から方式を選ぶ
• 学習に使える画像の枚数を数える
• 撮像環境を作れるかを確かめる
• 既存設備との連携範囲を明確にする
• 運用体制と総額を見積もる

検査対象の性質から方式を選ぶ

最初に検討するのは方式です。寸法・位置・有無・色のように数値で定義できる検査は、ルールベースが向きます。傷や汚れのように形が定まらない欠陥には、AIが適しています。

数値検査と曖昧な欠陥が混在する場合は、両方を1つのシステムで使い分けられるFA統合型が候補でしょう。鏡面や透明体のように撮像が難しい対象は、方式より先に撮り方の検討が要ります。ここを飛ばすと、後の工程がやり直しになりかねません。方式が定まると、比較すべき製品の範囲も明確になります。

学習に使える画像の枚数を数える

AIを選ぶなら、手元にある不良画像の枚数を数えておきましょう。ディープラーニング型は、不良の種類ごとにある程度の枚数がないと、未知のパターンを取りこぼします。

新規ラインや不良率の低い工程では、そもそも不良サンプルが集まりません。その場合は、良品だけを学習する異常検知型や、少量データで学習できる方式が現実的な選択になります。画像の保存ルールも先に決めておきましょう。不良の記録が紙だけの現場では、画像の蓄積から始める必要があります。

撮像環境を作れるかを確かめる

外観検査の精度は、撮像設計に大きく左右されるでしょう。カメラ・レンズ・照明をどう配置すれば欠陥が安定して写るかを、製品選定と並行して詰めておきます。

振動、外光、ワークの個体差で写り方が変わると、学習時と違う画像をAIが見ることになります。固定治具や遮光でどこまで条件を安定させられるかを、実際のライン上で確認しておきましょう。サンプルワークで試し撮りをして、欠陥が写るかを先に見ます。照明の選定は、製品メーカーやSIerに相談すると早く進みます。

既存設備との連携範囲を明確にする

判定結果をどこへ渡すかを先に整理します。PLCへの信号出力だけで足りるのかを確認しましょう。生産管理システムまで連携して不良の傾向を分析するなら、必要な製品も変わります。

既存のカメラや照明を流用できるかも、確かめておくと安心です。流用できれば初期費用を抑えられますが、解像度が足りずに作り直す例もあります。連携の範囲を広げるほど、SIerの工数は増えていきます。連携の要件は、情報システム部門とあわせて整理しておきましょう。

運用体制と総額を見積もる

誰が再学習としきい値の調整を担うかを、先に決めておきましょう。AI型は稼働後も精度の維持作業が前提となり、担当が決まっていないと時間とともに判定が荒れます。

費用はソフトやカメラ本体だけでなく、照明・治具、設置工事、PoC、保守までを含めた総額で比較します。本体が安くても、撮像環境の作りこみやSIer費用で総額が膨らむ例は珍しくありません。再学習の頻度は、月次など具体的な間隔まで決めておきます。見積もりは、ソフト費とエンジニアリング費を分けて取りましょう。

製品データとして数値化できる4項目を、製造業適合性スコアで横並びにしました。品質管理・現場操作性・生産管理・中小適合の4つを、5段階で評価しています。並びは中小適合の高い順です。上から下へ向かうほど、想定する企業規模と導入の重さが上がります。評価が設定されていない項目は「－」としています。

生産管理のスコアが「－」の製品は、機能がないという意味ではありません。評価の登録がない項目です。製品ごとの詳しい比較はAI外観検査の比較記事で扱っています。

導入でつまずく現場には、共通したパターンがあります。先に知っておけば、稟議の段階で対策まで示せます。よくある4つを、回避策とあわせて挙げましょう。

PoCの精度が本番で再現しない

PoCではきれいに撮れていた対象が、本番ラインでは違って写ることがあります。振動・外光・ワークの個体差で写り方が変わり、精度が落ちます。立ち上げ直前に気づくと、納期にそのまま響くでしょう。

回避策：PoCの段階で、本番に近い撮像環境を再現します。照明と固定治具で撮像条件を安定させ、実ラインのサンプルで検証しましょう。整った条件だけで評価すると、稼働後に精度が揺り戻す場合があります。撮像のやり直しには、数週間単位の時間が必要でしょう。

学習データが足りないまま導入する

不良の種類ごとの画像が不足したまま立ち上げると、未知の不良を取りこぼします。不良率が低い工程ほど起きやすくなります。学習に必要な枚数は、方式ごとに大きな差があるのが実情です。

回避策：不良画像が集まらないなら、良品だけで学習する異常検知型や少量学習型を選びます。あわせて、発生した不良サンプルを計画的に蓄積する運用を先に整えましょう。画像の保存ルールを決めておくと、後の再学習も進めやすくなります。PoCの前に、手元の画像を種類ごとに数えておくと安心です。

判定の根拠を説明できない

AIは、なぜNGかを数値で示しにくい方式です。顧客監査やトレーサビリティが必要な工程で、説明に詰まるパターンもあります。説明できない状態が続くと、出荷判定の運用が滞ります。

回避策：判定の可視化機能がある製品を選びましょう。数値で説明できる検査は、ルールベースに残す設計も有効です。検査履歴としきい値の変更記録が残るかも、契約前に確認します。監査で問われる項目を先に洗い出すと、要件が具体的になります。

運用体制を決めずに導入する

稼働後の再学習やしきい値調整の担当を見落として導入すると、精度が落ちても放置されかねません。現場の信頼を失うと、目視検査が復活して工数が二重になります。精度の推移を記録しておくと、劣化の兆しに早く気づけるでしょう。

回避策：導入前に、再学習の担当と頻度、誤判定を振り返る場を決めておきます。現場が判定結果を確認し、是正できるフローまで設計しておくと、稼働後の精度を保てます。担当者の異動時に引き継ぐ手順も、あわせて用意しておくと安心です。

AI外観検査の選定は、人による検査が限界に来ているかの見極めから始まります。自動化すると決めたら、検査対象を数値で線引きできるかをもとに方式を選びます。種類はスマートカメラ型・PCソフト＋カメラ型・SDK組込型・FA統合型の4つです。

目的・部門・規模で方向が定まったら、5つの項目を順に確認します。方式、学習画像の枚数、撮像環境、連携範囲、運用体制と総額の順です。よくある失敗は4つです。PoCの再現性、学習データ不足、説明性の不足、運用体制の未決定に集約できます。基礎から確認したい場合はAI外観検査の解説記事、製品ごとの比較は比較記事で扱っています。