AI外観検査を製造現場に入れる前に知っておきたいこと

カメラとAIで検査を自動化したい製造業の方へ。撮像環境・不良サンプル・精度の考え方など、導入前に押さえるべき論点を整理します。

AIの前に、まず「写り」がすべて

AI外観検査の成否の大半は、モデルの賢さではなく撮像環境で決まります。照明のムラ、ワークの向きのばらつき、背景の映り込み。人間が画像を見て判別できないものは、AIにも判別できません。導入検討では、まず検査対象を実際に撮影して「写真で欠陥が見えるか」を確認するところから始めます。

不良サンプルは思ったより集まらない

「不良品の写真を学習させればいい」と思われがちですが、現場では不良は少ないからこそ問題であり、学習に足る枚数が集まらないことがよくあります。その場合は、良品の特徴を学習して「良品らしくないもの」を検出する異常検知型のアプローチや、疑似不良の作成、段階的なデータ収集計画を組み合わせます。

「精度99%」の意味を現場の言葉に直す

大事なのは見逃し（不良を良品と判定）と過検出（良品を不良と判定）のバランスです。見逃しゼロに寄せれば過検出が増え、人の再確認工数が発生します。「AIが疑わしいものだけ人が見る」一次スクリーニングとして設計すると、実務では最も効果が出やすい形になります。

小さく始める構成例

• まず1品番・1工程に絞ってカメラ1台で実証
• 判定結果はラインを止めず記録のみ（人の判定と突き合わせ）
• 数週間分のデータで精度を評価してから本運用へ