AI外観検査とは？基礎知識やできること、選び方までをわかりやすく解説！

外観検査は、製品の見た目から不良を判定する検査の総称です。寸法検査や機能検査と違い、表面や形状の「見え方」を判断の対象にします。ここでは、検査項目、手法の中でのAIの位置づけ、学習方式を押さえます。

外観検査が判定する項目

代表的な項目は、傷・打痕、汚れ、欠け・割れ、変形・反り、異物の混入です。色ムラや印字の読み取りも含まれます。

重視する項目は業種で変わります。金属部品なら傷や打痕、食品なら異物や印字といった具合です。外観検査は品質保証の最後の砦といえます。不良が届けばクレームにつながる一方、厳しすぎると良品まで弾いて歩留まりが下がります。

3つの検査手法とAIの位置づけ

手法は3つに分かれます。目視検査、数値で基準を定めるルールベース検査、学習した画像から判断するAI検査です。

ルールベースは、寸法や明るさなど数値で定義できる検査に強い手法です。傷の形が一定でない対象では、しきい値の設定が難しくなります。AIはその苦手な領域を担い、良品の基準を自ら学んで曖昧な検査を判定します。

2つの学習方式

1つは良品・不良品の両方を学習する方式です。不良の種類まで分類できますが、十分な不良画像が要ります。

もう1つが異常検知（良品学習）で、良品だけを学び「いつもと違う」部分を弾きます。不良がまれな工程や多品種少量でも始められる方式です。不良サンプルが集まらないことは導入が止まる典型的な理由なので、先に押さえてください。

編集部メモ：AIの性能を比べる前に、欠陥がはっきり写る画像を安定して撮れているかを確かめましょう。照明や治具が不十分だと、どの製品でも精度は出ません。

AI外観検査の利点は、人の判断を機械に置き換えることから生まれます。品質・人手・記録・対応範囲の4つの面で変化が出ます。

• 検査品質が安定する
• 人手を別の工程へ振り向けられる
• 判定の記録が残る
• 難しい検査を自動化の対象にできる

検査品質が安定する

人による判定のばらつきがなくなり、同じ基準で24時間検査できます。検査員の体調や熟練度に左右されないのが利点です。

目視では、同じ人でも時間帯や疲れで判定がぶれてしまいます。ベテランの退職で品質を保てなくなるリスクも避けられます。熟練者の感覚を、学習データとして残せるためです。

人手を別の工程へ振り向けられる

検査員の確保や熟練者の育成には、長い時間が必要です。自動化できれば、人手不足の現場でも検査を回しながら人を別の工程へ回せます。

コスト構造の違いも見逃せません。目視は物量が増えるほど人が要りますが、自動検査は物量が多いほど1個あたりのコストが下がります。増産の計画がある現場では、この差が費用に大きく影響します。

判定の記録が残る

検査日時・画像・判定結果を自動で記録できます。目視では、なぜ不良としたかの根拠が残りにくいものでした。

いつ・どの製品で・どんな判定をしたかをさかのぼれ、客先への説明や再発防止に使えます。どの時間帯やロットで不良が増えたかが見えれば、製造条件の側を直す手がかりにもなるでしょう。

難しい検査を自動化の対象にできる

ルールベースでは安定しなかった不定形の欠陥を、自動化の範囲に取り込めます。人の感覚に頼ってきた官能検査も対象です。

複雑な模様の上の微細な傷や、出方が一定しない汚れも判定できます。基準を言語化しきれなくても、判定例を学ばせれば条件を作れる点が強みです。かすれた印字の読み取りにも、ディープラーニングが効きます。

AI外観検査は万能ではなく、3つの限界があります。いずれも事前に手を打てる範囲なので、対処法とあわせて押さえておきましょう。

• 精度が学習データに左右される
• 判定の根拠を説明しにくい
• 撮像条件がぶれると精度が落ちる

精度が学習データに左右される

AIの精度は、学習データの質と量で決まります。学習にない見え方の不良は、取りこぼす可能性があります。

不良がまれな工程ほど、サンプルが集まりません。

対処法：不良画像が集まらないなら、異常検知型を選びましょう。判定が外れた画像を集めて追加学習する仕組みと、担当者を決めておくことも欠かせません。決めないと、時間とともに精度が落ちます。

判定の根拠を説明しにくい

ディープラーニングは「なぜNGと判定したか」を数値で示しにくい手法です。誤判定の原因究明や、客先への説明が難しくなります。

対処法：根拠をどこまで可視化できるかを、選定の段階で確かめてください。基準が明確な寸法やOCRはルールベースに任せ、不定形の欠陥だけAIで判定する併用も有効です。

撮像条件がぶれると精度が落ちる

照明や搬送の状態がぶれると、学習時と見え方が変わり、精度が落ちます。透明・鏡面・微細な対象ほど、撮像の難易度が上がります。

対処法：製品を決める前に、照明・カメラ・治具を含む撮像環境を作り込んでください。ベンダーのサンプル検証や無償トライアルで、本番に近い条件で自社サンプルを試しておきましょう。

AI外観検査システムが備える機能は、大きく次の4つです。検査項目によって必要な機能が変わるため、比べる際もこの4つが軸になります。

• 欠陥検出（良否判定）：傷・汚れ・欠けなどを検出し、良品と不良品を選り分ける
• 異常検知（良品学習）：良品だけを学習し、そこから外れた部分を弾く
• OCR（文字読み取り）：型番やロット番号の印字・刻印を読み取る
• 判定結果の記録と追加学習：画像と判定を保存し、精度を維持する

それぞれの中身を見ていきましょう。

欠陥検出（良否判定）

良品と不良品の両方の画像を学習させ、その特徴をもとに不良を検出する機能です。不良の種類ごとに分類できる製品もあります。

しきい値を調整し、見逃しを減らすか過検出を抑えるかの設定が可能です。厳しくすると歩留まりが下がり、緩めると不良の流出リスクが高まります。工程ごとに、どちらの誤りが許容できないかで決めます。

異常検知（良品学習）

良品の画像だけを学び、そこから外れた部分を異常として弾く機能です。不良品のサンプルなしで始められるのが大きな違いです。

不良がまれな工程や、品種ごとに不良画像が集まらない現場で選ばれます。ただし、何の不良かまでは分類しません。異常検知で立ち上げ、不良画像が溜まってから欠陥検出へ広げる進め方もあります。

OCR（文字読み取り）

製品に印字・刻印された型番やロット番号を読み取る機能です。正しい文字かを判定し、印字の欠けやかすれを不良として検出します。

ディープラーニングを使えば、変形した文字も読み取りやすくなります。読み取った番号を記録すれば、製品1個ごとの追跡にもつながるでしょう。基準が明確なため、ルールベースで足りる場合も少なくありません。

判定結果の記録と追加学習

検査した画像・判定結果・日時を保存する機能です。後から検証できる形でデータを残すことが、トレーサビリティの前提になります。

保存した画像は、追加学習にも使う仕組みです。追加学習を自社で行えるか、ベンダーに頼むかは製品で分かれます。品種の追加が多い現場では、ここが運用コストを左右するでしょう。

AI外観検査が使われるのは、目視では判断がばらつく、あるいはルールベースでは安定しない検査です。対象の製品によって、求められる機能が変わります。代表的な3つの場面を見ていきましょう。

プリント基板・電子部品の検査

電子部品メーカーの品質管理担当者が、実装の不良や部品の欠けを検出する場面です。対象が微細で、人の目では長時間の検査が難しい領域にあたります。

部品が小さいほど、照明と光学系の作り込みが精度を左右します。1枚あたりの確認箇所が数百に及ぶこともあり、全数検査を自動化する効果は大きいでしょう。

金属部品・樹脂成型品の傷や変形の検出

部品メーカーの検査担当者が、傷・打痕・バリや、成型品のヒケ・気泡を判定する場面です。不良の形や位置が一定でない領域にあたります。

人が見れば一目で分かるが数値で書き切れない、という不良にこそAIは向きます。金属の光沢面は照明の当て方で見え方が変わり、同じ傷でも角度で写らないことも珍しくありません。照明の設計が要になります。

食品・包装の異物と印字の検査

食品メーカーの品質保証担当者が、異物や形状の不良、包装の印字を検査する場面です。見逃しが許されない領域にあたります。

形も色も一定でない異物にはAI、賞味期限やロット番号の印字にはOCRが向きます。1つの製品に複数の検査項目があるので、項目ごとに得意な手法を割り当てる考え方が有効です。

AI外観検査は見積もり制の製品が中心です。カメラ・照明・搬送・振り分け機構までを含めた一式で組むため、検査対象と検査点数で金額が変わります。ソフト単体なら、買い切りで数十万円台からの製品もあります。デジタル化・AI導入補助金（旧IT導入補助金）の対象製品もあるので、あわせて確かめておきましょう。

提供形態や対応する検査対象は、ITトレンドのAI外観検査・画像検査システムカテゴリで比較できます。

外観検査の3つの手法は、対立するものではなく得意な領域が違います。どれを選ぶか、併用するかは、検査対象を数値で線引きできるかが分かれ目です。

目視の強みは柔軟性です。基準を数値化しなくても「いつもと違う」を見分けられ、品種の切り替えにもすぐ対応できます。少量多品種や試作では、今も有効な手段でしょう。

実務でよく採られるのは併用です。基準が明確な検査はルールベースでこなし、ルール化しにくい欠陥にAIを充てます。項目ごとに得意な手法を割り当てると、精度とコストの釣り合いが取りやすくなります。

AI外観検査が効くかは、企業規模ではなく2点で決まります。検査対象を数値で線引きできるかと、不良画像が集まるかです。自社がどちらに当てはまるかを確かめてください。

AI外観検査の導入が向いている企業

目視検査の人手不足や属人化が課題で、判定のばらつきを減らしたい企業です。傷や官能検査のように、数値化しにくい検査を自動化したい場合が典型です。

品種ごとに不良サンプルが集まりにくい多品種少量の現場も候補になります。良品だけで学べる異常検知型と相性がよいためです。専任のAI担当がいない中小では、現場で触り続けられる手軽さが定着を左右します。

AI外観検査の導入が向いていない企業

寸法やOCRのように基準が明確で、ルールベースで十分に安定する検査を行う企業です。AIを足しても、コストが増えるだけになりがちです。

検査する製品が極端に少なく、投資を回収できない場合も向きません。透明・鏡面など撮像が難しい対象では、製品選びより先に撮像環境の検討が要ります。まず欠陥が写る画像を確保するのが先決です。

AI外観検査とは、製品の画像をAIが解析し、不良を自動で判定する検査です。対象は傷・汚れ・欠け・異物などです。学習した画像から判断するため、数値で線引きしにくい曖昧な検査も扱えます。

最初に決めるのは学習方式です。不良サンプルが集まらない現場なら、良品だけを学習する異常検知型が現実的でしょう。

一方で、精度は学習データと撮像条件に左右され、判定の根拠も説明しにくくなります。数値で線引きできる検査ならルールベースで足ります。対象にAIが効くかを見極めてから、AI外観検査・画像検査システムカテゴリで製品を比べてください。