AIカメラで外観検査を始める現実的なステップ。照明が8割という話

こんにちは。TIFFIN開発チームです。金属加工の集積地・燕三条に会社を構えているせいか、「検品をAIでなんとかできないか」という相談を製造業の方からよくいただきます。私たちはフィジカルAI・AIカメラを事業の柱のひとつにしていて、山あいのクマを検知するAIカメラや、アーチェリー選手のフォームをリアルタイム分析するAIなどを作ってきました。その経験から最初にお伝えしたいのは、AI外観検査の成否はAIの賢さでは決まらないということです。決めるのは、撮影環境と、始め方の設計です。この記事では「PoCで終わらない」ための現実的なステップを順番に書きます。

始める前に:「不良」の定義を1行で書けるか

最初の関門はAIではなく言葉です。「キズがあったら不良」——では、どこからがキズでしょうか。長さ何mmから?深さは?向きは?梱包で隠れる面なら許容?ベテラン検査員の頭の中では答えが出ていますが、人によって微妙に基準が違うこともよくあります。

AIは曖昧な基準を教えると曖昧に間違えます。おすすめは、検査員の方2〜3人に同じ現物20個を仕分けしてもらうことです。全員の判定が一致しない個体が出てきたら、そこが基準の曖昧な場所です。この「人間同士でも割れる境界」を先に発見して言語化しておくと、後工程が全部楽になります。

ステップ1:撮影環境を固定する——照明が8割

画像AIの世界には「照明が8割」という半分冗談・半分本気の格言があります。私たちの実感でも本気の側です。

• 窓から差す日光は時間と天気で変わり、朝と夕方で「別の製品」に見えます。外光は遮るのが原則
• 金属部品はテカります。リング照明や拡散照明で反射をコントロールしないと、ハイライトがキズに見えたり、キズがハイライトに消えたりします
• 置く位置と向きがバラバラだと、AIは「位置のばらつき」と「形状不良」を混同します。治具で置き方を決めるだけで精度が跳ね上がります

逆に言うと、照明・背景・置き方さえ固定できれば、カメラは高級な産業用でなくても始められるケースが多い。高いカメラを買う前に、暗幕と照明と治具に投資する——これが費用対効果の正しい順番です。

ステップ2:まず100枚撮って、人間が仕分けする

環境を固定したら、いきなりAIを学習させずに、まず100枚ほど撮って人間が仕分けしてください。ここでやりたいことは2つあります。

1つ目はデータの偏りの確認です。現場で撮ると、良品ばかり集まって不良品の写真が数枚しかない、ということが普通に起きます(不良は少ないから困っているわけで、当然そうなります)。不良サンプルが足りなければ、不良品を貯めておく箱を今日から用意する、疑似的にキズを付けた練習台を作る、といった手当てを先に考えます。

2つ目は「写っているか」の確認です。人間が写真だけを見て良否を判定できないなら、AIにも判定できません。写真で分からない不良(手触り、重さ、内部の欠陥)は、そもそもカメラの仕事ではないと早めに切り分けられます。この100枚の仕分けは半日でできて、プロジェクトの成否をかなり正確に予言してくれます。

ステップ3:「全自動」を狙わず、一次スクリーニングに置く

ここがこの記事でいちばん言いたいところです。最初から「AIが全数を自動判定して、人はゼロ」を狙うと、要求精度が跳ね上がって、たいてい頓挫します。現実的な着地点は段階設計です。

第2段階まで来るだけで、検査員の負荷は大きく下がります。しかも第1段階で貯めた画像と判定結果が、そのまま次の学習データになる。「人の判断をデータとして貯める仕組み」を最初に作るのが、遠回りに見えて最短路です。

見逃しと過検出はトレードオフという話

AI検査の精度は1つの数字では語れません。「不良の見逃し」と「良品を不良と言ってしまう過検出」は綱引きの関係で、判定の閾値をどちらかに寄せると片方が増えます。

大事なのは、この綱引きのどこに立つかは技術ではなく経営の判断だということです。不良流出が致命的な部品なら、見逃しゼロに寄せて過検出の再検査コストを飲む。逆に社内工程内の検査なら、過検出を減らして流れを止めないほうが得かもしれない。開発会社に丸投げせず、「うちはどちらが痛いか」を発注側が言えると、良い検査システムになります。

クマ検知と射形分析から学んだこと

私たちがAIカメラの現場で得た教訓を2つ共有します。

ひとつは3Dスキャンやクマ検知AIカメラを手がけるAIVIS様との取り組みから。屋外のAIカメラは、雨・霧・夜間・逆光・揺れる草木と、検査室とは比べものにならない外乱と戦います。ここで効いたのは「モデルを賢くする」ことと同じくらい「誤検知したときに人がすぐ確認できる通知の設計」でした。AIの出力は確率です。確率を運用でどう受け止めるかまで含めて、はじめてシステムになります。

もうひとつはアーチェリー用品メーカーB社様の射形分析AIから。選手の関節位置を骨格推定でリアルタイムに追いかけ、フォームの静止度や再現性を数値化するものですが、コーチの目には見えている「良いフォーム」を数値の定義に落とすところが最難関でした。外観検査の「不良の定義」とまったく同じ構造です。AIプロジェクトの本丸は、現場の暗黙知を測れる形に翻訳する作業——これはどの案件でも変わりません。

小さく始めるための構成例

最後に、最初の一歩としてよくご提案する最小構成を書いておきます。

• 撮影ブース:暗幕+拡散照明+置き位置の治具(まずここにお金をかける)
• カメラ:工程のスピードが許すなら、産業用にこだわらず市販カメラから
• ソフト:撮影→保存→人の判定入力→集計、をまず作る(AI判定は第2段階から載せる)
• 置き場所:検査の後工程に「並走」で置き、現行の検査は止めない

この構成なら、初期投資を抑えつつ、学習データと現場の信頼を同時に貯められます。「うちの製品、写真で判定できそうか見てほしい」というレベルのご相談で大丈夫です。現物をいくつかお持ちいただければ、その場で一緒に撮って確かめるところから始めます。