検査装置の導入事例は、書き方しだいで同じ結果がいくらでも良く見えます。この記事では、事例を読むときに必ず確かめたい6つの確認点（対象物・サンプル数・精度の定義・相関の読み方・検証条件・運用期間）と、事例を自社の現場に当てはめるための手順を整理しました。
先に結論を書きます。導入事例で一番大事なのは「精度◯%」という数字ではなく、その数字が「何を・何個・どんな条件で」測った結果なのかです。たとえば不良率が1%の製品なら、すべてを「良品」と判定するだけで正解率は99%になります。事例を読むときは、数字の大きさより先に、見逃し（不良を良品と判定）と過検出（良品を不良と判定）が分けて書かれているか、検証したサンプル数と条件が自社と近いかを確認すると、期待外れの導入を避けやすくなります。
導入事例を読むときの確認点6つ
検査装置のカタログや導入事例には、良い結果が出た条件で撮った数字が載るのが普通です。それ自体は悪いことではありませんが、自社に当てはまるかは別の問題です。次の6点を順に確認すると、事例の“効き目”がどこまで自社に移せるかが見えてきます。
確認点 | 見るべきこと | 注意したい書き方 |
|---|---|---|
1. 対象物 | 品目・品種・形状・包装の有無が自社と同じか | 「食品で実績あり」のように大きな括りしか書かれていない |
2. サンプル数 | 良品と不良品がそれぞれ何個か。不良の種類ごとの数 | 不良品が数個〜数十個しかない、または数が書かれていない |
3. 精度の定義 | 正解率なのか、見逃し率・過検出率なのか | 「精度99%」とだけあり、何に対する割合か分からない |
4. 相関・回帰の数字 | 相関係数やR²の値と、誤差（RMSEなど）が単位つきで書かれているか | 「高い相関」とだけある、学習データと検証データが分かれていない |
5. 検証条件 | ラボの静止状態か、実ラインの速度・照明・温度での結果か | 撮影条件が書かれていない、試作機での結果である |
6. 運用期間 | 何か月・何ロット運用したか。季節・産地・原料ロットの変化をまたいだか | 「導入しました」で終わり、その後の運用結果が無い |
1〜2. 対象物とサンプル数｜「同じもの」を「十分な数」で試したか
検査装置の性能は、対象物が変わると大きく変わります。同じ「異物検査」でも、乾いた粉体と水分の多い生鮮品、透明な包装越しとむき出しの状態では、写り方がまったく違います。事例を読むときは、品目名だけでなく、状態（生・加熱済み・冷凍）、大きさ、包装、ラインでの並び方まで確認します。
サンプル数は、特に不良品の数を見ます。良品が1万個あっても、不良品が10個しかなければ、不良を見つける性能は10個分の結果でしか確かめられていません。不良の種類が複数ある場合は、種類ごとの数も重要です。「虫は100件で検証したが、毛髪は5件」という事例なら、毛髪の検出性能はまだ分からないと読むべきです。
3. 精度の定義｜「正解率」だけの事例は読み替えが必要
検査の結果は、次の4つに分けると性能を正しく比べられます。
装置が「不良」と判定 | 装置が「良品」と判定 | |
|---|---|---|
実際は不良品 | 正しく検出 | 見逃し（流出につながる） |
実際は良品 | 過検出（良品ロス・再確認の手間） | 正しく通過 |
正解率は、この表の「正しく検出」と「正しく通過」の合計を全体で割った値です。不良が少ない製品では、良品を正しく通過させるだけで正解率が高くなるため、見逃しが多くても正解率は高く見えます。冒頭の例のように、不良率1%で全数を良品と判定すれば、見逃しは100%なのに正解率は99%です。
事例で確認したいのは、見逃し率（不良品のうち見逃した割合）と過検出率（良品のうち不良と判定した割合）が分けて書かれているかです。どちらを優先すべきかは現場によって違い、回収につながる異物なら見逃しを、歩留まりが厳しい製品なら過検出を重く見ます。見逃しと過検出の考え方は、目視検査の見逃し対策の記事でも整理しています。
4. 相関・回帰の数字｜R²が高くても誤差を見る
糖度・水分・鮮度のように「数値を推定する」事例では、相関係数やR²（決定係数）がよく使われます。読むときのポイントは3つです。
- 誤差が単位つきで書かれているか: R²が0.9でも、糖度の誤差が±1.5度なら、0.5度刻みの等級分けには使えません。RMSE（推定誤差の目安）などが単位つきで示されているかを見ます。
- 検証データが学習データと分かれているか: モデルを作ったデータでそのまま評価すると、数字は実力より良く出ます。別のサンプル、できれば別の日・別のロットで検証した結果かを確認します。
- 値の範囲が自社と合っているか: 幅広い値のサンプルを混ぜるとR²は高く出やすくなります。自社で見分けたいのが狭い範囲の差なら、その範囲での誤差が分からないと判断できません。
機械学習を使った検査の品質を、データの網羅性や評価方法の観点から整理した公的なガイドラインとしては、産業技術総合研究所の「機械学習品質マネジメントガイドライン」があります（NEDO：機械学習品質マネジメントガイドライン初版の公開について）。社内で評価基準を決めるときの参考になります。
5〜6. 検証条件と運用期間｜ラボの結果はラインでそのまま再現しない
ラボで静止した製品を最適な照明で撮った結果と、実ラインで流れている製品を撮った結果は、同じ装置でも差が出ます。ライン速度、照明のむら、製品の向きや重なり、振動、温度・湿度などが影響するためです。事例が「ラボでの検証」なのか「実ラインでの運用」なのかは、必ず区別して読みます。
運用期間も重要です。農産物や原料は季節・産地・ロットで性質が変わり、導入直後はうまくいっても、数か月後に判定がずれることがあります。季節やロットの変化をまたいだ運用結果があるか、判定基準の見直しをどう行ったかが書かれている事例は、信頼度が高いと考えてよいでしょう。導入の段階ごとに何を確かめるかは、食品工場のカメラ検査導入手順の記事で詳しく説明しています。
事例を自社の現場に当てはめる4ステップ
確認点を押さえたら、次の手順で「自社でも同じ効果が出るか」を確かめます。
- 事例と自社の条件を並べて差分を書き出す。対象物・不良の種類・ライン速度・照明環境を表にし、事例と違う点を洗い出します。差分が多いほど、事例の数字はそのまま期待できません。
- 自社の良品・不良品・境目の製品を集める。判定に迷う境目の製品（限度見本）こそ、装置の実力が出る部分です。不良の種類ごとに数をそろえます。
- 静止状態で差が写るかを確かめる。まずは止めた製品で、狙った不良や成分の差がデータに表れるかを見ます。ここで差が出なければ、方式から見直す必要があります。
- 見逃しと過検出の許容水準を先に決めてから、ライン条件で試す。合格ラインを後から決めると、結果に合わせて基準を緩めてしまいがちです。
小さく試して判断する進め方はPoCの進め方6ステップ（成功基準・撤退基準の決め方）、費用の考え方は画像検査のPoC費用の相場にまとめています。
正直に書く｜分光カメラの事例を読むときの注意
ハイパースペクトルカメラの事例は、RGBカメラでは見えない成分や材質の違いを捉えられるため、魅力的な結果が並びやすい分野です。そのぶん、上の確認点がいっそう大切になります。特に、研究段階の結果（少数サンプル・ラボ条件）と、現場で運用している結果は分けて読む必要があります。ハイパースペクトルカメラが何を得意とし、何が苦手かはハイパースペクトルカメラの原理とできないことの解説で整理しています。
私たちはこれまで、食品・農業・インフラ・医療などの現場とともにハイパースペクトルカメラの実証を重ねてきました。公開できる受賞歴や学術成果は実績一覧にまとめています。国産ハイパースペクトルカメラ irodori の製品情報もあわせてご覧ください。読んだ事例が自社にも当てはまりそうか、条件の整理からご相談いただくこともできます。
気になっている事例が自社の対象物でも再現できそうか検討されている段階でしたら、irodori の仕様と検証の進め方をまとめた資料だけでもご覧いただけたら嬉しいです。
