画像による検品・外観検査へのAIの使い方：撮影条件・判定の基準・人との分担

自社の「ユースケースと効果」の準備度は？10問・約3分で確かめる（無料・登録不要）

目視による検品は、熟練した検査員の経験に支えられている一方で、人手の確保や疲れによるばらつきが課題になりがちです。カメラで撮った画像をAIで判定する外観検査は、こうした検品の負担を減らす使い方の一つです。この記事では、経済産業省が中小の製造業向けにまとめた外観検査のガイドブックにそって、進め方と注意点を整理します。

外観検査のAIは、どんな場面に向いていますか？

経済産業省の「外観検査（部品、不良品あり）AI導入ガイドブック」は、検品の業務に課題を抱える部品メーカーを対象に、目安となる条件を挙げています。

• 検査員1名が1つの製品の検品に、月3日以上を費やしている
• 月5千個以上の大量生産か、不良品の割合が1%以上
• パソコンの基本操作ができる人がいる（いなければ習得が必要）

この条件はあくまで目安ですが、検品にかかる時間が大きく、同じ製品を繰り返し検査しているほど、AIを入れる効果を見込みやすいといえます。経済産業省の「構想ステージ」のガイドブックも、AIの取り組みの候補を選ぶ段階から始めることを勧めています。

2つの学習の方法

ガイドブックは、集められる画像によって2つの方法を分けています。

良品だけで学習する場合も、精度を確かめるためには不良品が必要です。不良品がまったくない状態では、精度の検証が難しくなると説明されています。

どんな画像を、どう集めればよいですか？

ガイドブックは、良品と不良品の両方で学習する場合の画像の目安として、次の数を挙げています。

• 良品：50個以上をそれぞれ5枚撮り、250枚以上（不良品の枚数とそろえるのが望ましく、500枚程度が推奨）
• 不良品：不良の種類ごとに約20個をそれぞれ5枚撮り、約100枚

良品だけで学習する場合は、良品50個・各5枚の計250枚が基本とされ、ぎりぎり良品といえる製品（限界見本）を含めることが望ましいとされています。

撮影の条件をそろえる

画像の数と同じくらい大切なのが、撮影の条件です。ガイドブックは次の点を挙げています。

• ピント、絞り、シャッターの速さ、カメラの位置を固定する
• 照明を一定にし、本番の検査と同じ条件で撮る
• 背景は製品と色が近くならないようにし、映り込みを防ぐ
• 製品が画像のおよそ8割を占めるようにする

機材は、まず安価なWebカメラで試すことが勧められています。学習のときと本番のときで条件が違うと、AIは正しく判定できません。置き場所の固定や作業手順書で、撮り方のばらつきを防ぎます。

ラベルの付け方を管理する

ガイドブックは、撮影やラベル付け（どの画像が良品・不良品かの記録）の誤りも失敗の例に挙げています。背景にごみや指が写る、不良の箇所が写っていない画像を不良品として登録する、実は不良だった製品を良品として学習させる、といったものです。不良の種類ごとに何枚集めたかを管理しておくと、学習の偏りを防げます。

どんな手順で進めればよいですか？

ガイドブックの工程は、企画・モデルの構築・導入と運用の3段階です。

① 企画：困りごとを把握し、対象の製品を選びます。あわせて、AIを入れた後の検査の工程を設計し直します。どの部位をAIが判定し、どこを人が見るかを、この段階で決めておきます。

② 画像を集めて学習させる：撮影の条件をそろえて画像を集め、学習用と検証用に分けます（ガイドブックの例では7対3）。

③ 精度を確かめて基準を決める：検証用の画像で、見逃しと過検出の割合を確かめ、判定の基準（しきい値）を決めます。

④ 現場に入れる：撮影の手順を現場に伝え、新しい検査の方法を定着させます。置き場所の固定、作業手順書、OJT、現場への注意書きが方法として挙げられています。

⑤ 見直しを続ける：AIの判定と目視を定期的に並べて行い、精度の変化を確かめます。製品の仕様、不良の基準、照明・カメラ・背景などの撮影の環境が変わったら、学習し直すか作り直すかを検討します。

精度は、どう確かめればよいですか？

外観検査では、AIの判定の誤りに2つの種類があります。

ガイドブックは、見逃しの指標である再現率を重視するとしています。判定の基準を下げると見逃しは減りますが、過検出は増えます。ガイドブックでは、見逃しをなくす水準から始めて、そのうえで過検出を減らせる基準を選ぶ考え方が示されています。

過検出が多いと、人が見直す手間が増えて効果が薄れます。見逃しは品質の問題につながります。この2つの釣り合いを、自社の製品と取引先の求める品質に照らして決めることが大切です。

導入の前には、不良品が一定数含まれる量で実際に検査してみて、精度を確かめることも勧められています。

つまずきやすいのは、どんなところですか？

ガイドブックが挙げる失敗の例から、気をつけたい点をまとめます。

• 不良品が集まらない：工程の改善で不良品が大きく減り、学習に必要な数が集まらないことがあります。良品だけで学習する方法を検討するか、集める期間を長めに見込みます。
• 不良の基準が人によって違う：社内で不良の判断が人によって違う、取引先から基準の変更を求められる、といったことが起きます。AIに教える前に、限界見本などで社内の基準をそろえておくと、学習も検証も進めやすくなります。
• 目に見えにくい違いを考えていない：仕入れ先によって変わる表面の粗さなど、肉眼では見えにくい特徴のために、正常な製品を不良と判定してしまう例があります。
• 想定していなかった不良が見つかる：導入の途中で新しい種類の不良が見つかることがあります。
• AIと目視の分担があいまい：分担を十分に決めずに進め、後から手直しが必要になる例があります。

検査員の経験や判断のこつは、AIの学習の基準をそろえる場面でも役立ちます。ベテランの知見を引き継ぐ考え方は「技能の継承とAI」もあわせてご覧ください。

チェックリスト

• 対象の製品と、AIで判定する部位を決めている
• AIが判定する部分と、目視で続ける部分の分担を決めている
• 不良の基準を、限界見本などで社内でそろえている
• カメラの位置・ピント・照明・背景・製品の置き場所を固定している
• 良品と不良品の画像の枚数を、不良の種類ごとに管理している
• ラベル付けの誤りを確かめる手順がある
• 見逃し（再現率）と過検出（適合率）を確かめてから判定の基準を決めている
• AIの判定と目視を定期的に並べて、精度の変化を確かめている
• 製品の仕様や撮影の環境が変わったときに、学習し直す手順を決めている