--- title: "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｜AI-Ready.jp" url: https://www.ai-ready.jp/guide/ai-visual-inspection/ description: "画像による外観検査にAIを使うときは、撮影の条件をそろえ、不良の基準を社内で一致させ、見逃しを重視して精度を確かめることが要になります。経済産業省のガイドブックにそって、手順と注意点をまとめました。" updated: 2026-11-12 publisher: "フロレンティナ株式会社" --- 広げる[柱：ユースケースと効果](https://www.ai-ready.jp/about-ai-ready/use-cases/) # 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 執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 3件[図解 2点](https://www.ai-ready.jp/zukai/) この記事の結論 画像による外観検査にAIを使うときは、撮影の条件を毎回そろえること、不良の基準を社内で一致させること、見逃しを重視して精度を確かめることの3つが要で、AIと目視の分担を決めてから現場に入れると定着しやすくなります。 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）](https://www.ai-ready.jp/diagnosis/quick/) 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。 この記事でわかること - 外観検査のAIが向いている場面と、2つの学習の方法 - 撮影・データの準備から運用までの手順 - 精度の見方（見逃しと過検出）と、つまずきやすい点 ## 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。 | 方法 | 使う場面 | 特徴 | |---|---|---| | 良品と不良品の両方で学習 | 不良品を十分に集められる | 画面の操作で作れる道具（GUIツール）で作る方法が紹介されている | | 良品だけで学習 | 不良品の割合が低い、不良の種類が多い、少量生産など | 良品の特徴の範囲を学び、その範囲から外れたものを不良とみなす。プログラミングの知識が必要で難しい手法とされる | 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。 集められる画像で、学習の方法を選びます - **不良品を十分に集められる**：良品と不良品の両方で学習します - **不良品が集まりにくい**：不良品の割合が低い、不良の種類が多い、少量生産などの場合は、**良品だけで学習**し、良品の範囲から外れたものを不良とみなします（プログラミングの知識が必要で難しい手法とされます） - **どちらの方法でも**：精度を確かめるためには不良品が必要です ## 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。 読みながら、自社の現在地を確かめませんか クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「ユースケースと効果」を含めて次に取り組むことがわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/) ## 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。 | 誤りの種類 | 内容 | 見る指標 | |---|---|---| | 見逃し | 不良品を良品と判定してしまう | 再現率（実際の不良品のうち、不良と判定できた割合） | | 過検出 | 良品を不良品と判定してしまう | 適合率（不良と判定したもののうち、実際に不良だった割合） | 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。 判定の基準を動かすと、2つの誤りの釣り合いが変わります - **見逃し**：不良品を良品と判定する誤り。再現率で見ます。品質の問題につながるため、**重視する**とされています - **過検出**：良品を不良品と判定する誤り。適合率で見ます。多いと人が見直す手間が増えます - **基準を下げると**：見逃しは減りますが、過検出は増えます - **決め方**：見逃しをなくす水準から始めて、過検出を減らせる基準を選ぶ考え方が示されています 2つの釣り合いは、自社の製品と取引先の求める品質に照らして決めます。 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](https://www.ai-ready.jp/column/skill-transfer-and-ai/)」もあわせてご覧ください。 ## チェックリスト ## 関連するひな形・ガイド・用語 ひな形 - [PoC計画書](https://www.ai-ready.jp/templates/poc-plan-template/) ガイド - [製造業のAI活用：始め方と注意](https://www.ai-ready.jp/guide/ai-in-manufacturing/) - [PoCの進め方：成功と撤退の条件の決め方](https://www.ai-ready.jp/guide/poc-planning/) - [AIの効果の測り方：時間・費用・品質の指標](https://www.ai-ready.jp/guide/measuring-ai-impact/) コラム - [品質管理とAI：検査・記録・改善のどこに使うか](https://www.ai-ready.jp/column/quality-management-and-ai/) - [技能の継承にAIをどう使うか？ベテランの知見を残す進め方](https://www.ai-ready.jp/column/skill-transfer-and-ai/) - [エッジAIとは：手元の機器で動くAI](https://www.ai-ready.jp/column/edge-ai-overview/) 用語 - [画像認識](https://www.ai-ready.jp/glossary/image-recognition/) - [コンピュータビジョン](https://www.ai-ready.jp/glossary/computer-vision/) - [適合率と再現率](https://www.ai-ready.jp/glossary/precision-and-recall/) - [混同行列](https://www.ai-ready.jp/glossary/confusion-matrix/) - [アノテーション](https://www.ai-ready.jp/glossary/annotation/) - [異常検知](https://www.ai-ready.jp/glossary/anomaly-detection/) ## よくあるご質問 Q不良品がほとんど出ない製品でも、AIで検査できますか？ A経済産業省のガイドブックは、不良品を短期間で十分に集められない場合に、良品だけを学習して良品との違いを見つける手法を紹介しています。ただし、プログラミングの知識が必要で難しい手法とされており、精度を確かめるためには不良品も必要になります。 QAIの検査で、見逃しはなくなりますか？ Aなくなるとは限りません。ガイドブックは、見逃しの指標（再現率）を重視して判定の基準を調整し、運用中もAIの判定と目視を定期的に並べて確かめることを勧めています。AIで判定しない部位は目視の検査を続けることも挙げられています。 Q高価なカメラや機材が必要ですか？ Aガイドブックは、まず安価なWebカメラで試すことを勧めています。ただし、機材そのものより、ピント・照明・背景・製品の置き方を毎回同じにすることが精度に大きく関わります。 ## この記事に出てくる用語 - [モデル](https://www.ai-ready.jp/glossary/model/) - [OJT](https://www.ai-ready.jp/glossary/ojt/) - [PoC（概念実証）](https://www.ai-ready.jp/glossary/proof-of-concept/) - [エッジAI](https://www.ai-ready.jp/glossary/edge-ai/) - [画像認識](https://www.ai-ready.jp/glossary/image-recognition/) - [アノテーション](https://www.ai-ready.jp/glossary/annotation/) - [混同行列](https://www.ai-ready.jp/glossary/confusion-matrix/) - [適合率と再現率](https://www.ai-ready.jp/glossary/precision-and-recall/) - [コンピュータビジョン](https://www.ai-ready.jp/glossary/computer-vision/) - [異常検知](https://www.ai-ready.jp/glossary/anomaly-detection/) ## 「ユースケースと効果」のほかの記事 [この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/use-cases/) [広げる／ユースケースと効果AIの効果の測り方：時間・費用・品質の指標桐谷彰人2026-10-25](https://www.ai-ready.jp/guide/measuring-ai-impact/)[定着させる／ユースケースと効果AIの効果を測り続ける：全社に広げた後の指標の見直しと、続ける・広げる・やめるの判断嵐保憲2026-10-26](https://www.ai-ready.jp/guide/sustaining-ai-impact/)[はじめる／ユースケースと効果AIを使う業務の選び方：業務の棚卸しから優先順位まで石田誠2026-10-25](https://www.ai-ready.jp/guide/choosing-ai-use-cases/) ## 出典 1. [経済産業省「外観検査（部品、不良品あり）AI導入ガイドブック」（2021年3月）](https://www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_gaikan_furyo_FIX.pdf) 2. [経済産業省「外観検査（部品、良品のみ）AI導入ガイドブック」（2021年3月）](https://www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_gaikan_ryohin_FIX.pdf) 3. [経済産業省「AI導入ガイドブック構想ステージ」（2022年3月）](https://www.meti.go.jp/policy/it_policy/jinzai/1_AI_guidebook_mihiraki_FIX.pdf) 最終確認日：2026-11-12 ## 次の一歩 [測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/) 目次 1. 外観検査のAIは、どんな場面に向いていますか？ 2. どんな画像を、どう集めればよいですか？ 3. どんな手順で進めればよいですか？ 4. 精度は、どう確かめればよいですか？ 5. つまずきやすいのは、どんなところですか？ 6. チェックリスト 7. よくあるご質問 この記事が扱う柱 主に「ユースケースと効果」 [ユースケースと効果の解説](https://www.ai-ready.jp/about-ai-ready/use-cases/) 自社の準備度を確かめる 10問・約3分・登録不要。7つの柱ごとの目安がわかります。 [無料で診断する](https://www.ai-ready.jp/diagnosis/quick/) --- 出典：フロレンティナ株式会社「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｜AI-Ready.jp」 https://www.ai-ready.jp/guide/ai-visual-inspection/