外観検査の自動化は、AIカメラを入れれば終わる話ではありません。失敗の原因を4つに分け、RGBカメラが物理的に取得していない情報まで踏み込んで整理し、自社の不良がどこまで自動化できるかを判定できる状態にします。
先に結論を書きます。外観検査の自動化は「不良が何によって見えているか」で到達点が変わります。寸法・欠け・有無のように輪郭で見える不良はすでに自動化が成熟した領域で、AIを足す必要すらない場合があります。難しいのは、判定基準が言語化できない不良と、そもそもRGBカメラが情報として取得していない不良です。後者は学習データを増やしても解決しません。実際、炭素鋼の腐食を350〜1100nmの波長域・分解能5nmで取得した研究では、見た目が同じ赤茶色の錆からα-FeOOH・β-FeOOH・γ-FeOOH・Fe3O4を92%以上の精度で識別できたと報告されています（片山ほか「ハイパースペクトル解析による炭素鋼の腐食リスク予測」鉄と鋼 110巻15号, 2024）。同じ対象でも、測っている物理量が変われば自動化できる範囲が変わるということです。
外観検査の自動化はどこまで進むのか｜到達レベルを4段階で整理する
「自動化できたか」を○×で聞くと議論が噛み合いません。現場で起きているのは、検査の一部だけが自動になり、残りが人に戻ってくるという状態です。まず到達レベルを4段階に分けて、自社が今どこにいて、どこを目標にするのかを言葉にしてください。
レベル | 状態 | 成立条件 | 現場で起きやすいこと |
|---|---|---|---|
L0 記録なしの目視 | 人が見て、人が判断する | 検査員の経験と教育 | 判定のばらつきと属人化。なぜ流出したかを後から追えない |
L1 撮像・記録の自動化 | 全数を撮って残すが、判定は人 | 照明・カメラ・搬送の安定 | まずここで止まる価値は大きい。流出時の原因追跡ができるようになる |
L2 判定の自動化（選別） | 良品／要確認に機械が振り分ける | 判定基準の数値化、または学習データ | 過検出が多く、結局ほぼ全数を人が再確認する状態に戻りやすい |
L3 原因までの自動化 | 不良の種類・原因まで出力する | 不良種ごとのデータ、または物性を測る手段 | 種類判別まで求めると必要なデータ量が跳ね上がる |
現実的な目標は、多くの工程でL2の「全数を機械が一次選別し、人は要確認だけを見る」です。L3まで一気に狙うと、不良種ごとに画像を集める必要が生じて計画が止まります。教師なし学習でも「良品に対して異常か」の判定にとどまり、異常の種類判定までは想定されていないことが指摘されています（青木公也（中京大学）「外観検査AIの学習データ不足を解消する技術提案」JST新技術説明会, 2023年8月29日）。
なお、L1の時点でも効果はあります。人の見逃しがどこで起きているかを構造的に把握したい場合は、目視検査の見逃し対策を人の特性から整理した記事のほうが先に読む価値があります。
AI外観検査が失敗する4つの原因｜「学習データ不足」で止めない
「AI外観検査を試したが精度が出なかった」という相談は少なくありません。原因を学習データ不足だけに帰すと、データを集め直しても同じ結果になります。私たちが現場で見てきた範囲では、失敗は次の4つに分けると打ち手が変わります。
原因① 学習データが原理的に集まらない
AIはデータドリブンなので、学習用の検査画像がまとまった数量必要になります。ところが実務では「不良の発生が稀で、収集が困難」「ラインの立ち上げがこれからで、サンプルがない」という状況が普通に起きます（同JST資料）。歩留まりが良い工程ほど不良画像が集まらないという逆説がここにあります。
さらに、ただ集めればよいわけでもありません。良品のばらつきと欠陥のばらつきを網羅していること、正しいアノテーションとデータクレンジングがなされていることが前提になります。この制約は業界共通で、産業技術総合研究所も「製造や医療の現場などでは、AIの学習に必要な大量のデータを収集することが不可能なケース」があるとして、実画像を使わずに数式から学習画像を生成する手法を公表しています（産総研「大量の実画像データの収集が不要なAIを開発」2022年6月13日）。
原因② 撮像条件が安定していない
AI外観検査はソフトウェアだけでは成立せず、照明・レンズ・カメラ・搬送の設計が揃って初めて機能します。照明の角度や色温度が日によって変われば、同じ良品が別のものとして写ります。学習時と運用時で撮像条件がずれていれば、モデルの精度がいくら高くても現場では当たりません。
この層の失敗は、AIの問題として報告されがちですが、実態は光学設計の問題です。モデルを作り直す前に、同じワークを朝と夕方に撮って画素値が一致するかを確認してください。一致しないなら、まず直すべきは学習データではありません。
原因③ 判定基準が言語化されていない
外観検査には、良品と不良品のあいだに白黒つけにくいグレーゾーンが必ず残ります。検査員が「これは経験でNG」と判断している領域を、そのままAIに渡すとラベルが揺れます。ラベルが揺れたデータで学習すれば、境界が曖昧なモデルにしかなりません。
対処は技術ではなく合意形成です。限度見本を作り直し、「この深さ・この面積までは良品」と数値で決める作業を、検査部門と生産技術と品証で同時に行います。この工程を飛ばしたまま導入すると、過検出を嫌って閾値を緩め、結果として流出が増えるという最悪の経路に入ります。
原因④ そもそもRGBカメラがその情報を取得していない
4つ目が最も見落とされます。RGBカメラは可視域（およそ400〜700nm）の光を赤・緑・青の3つの値に圧縮して記録する装置です。つまり波長方向の情報を3個に潰したうえで撮っているので、圧縮の過程で消えた違いは、後段のアルゴリズムをどれだけ工夫しても復元できません。
典型は「見た目の色も形も同じなのに中身が違う」不良です。樹脂の材質違い、含水率のムラ、酸化の進行度、コーティングの薄い抜け、内部で進んだ変質。これらは人の目にもRGBにも同じ色として写ります。ここで学習データを追加するのは、写っていないものを当てさせる作業であり、失敗が構造的に確定しています。
判別すべきは、「撮った画像に違いは写っているが、アルゴリズムが拾えていない」のか、「そもそも違いが写っていない」のかです。前者はAIやルールベースの改善で解けます。後者はセンサーを変えるしかありません。方式ごとの守備範囲は、外観検査 装置の選び方を検出原理から比較した記事で5方式に分けて整理しています。
RGB・マルチ・ハイパースペクトルの情報量を定量で比べる
「違いが写っていない」場合の選択肢が分光（スペクトル）計測です。分光とは、光を波長ごとに分けて、どの波長の光がどれだけ反射・吸収されたかを測ることを指します。物質は分子構造に応じて特定の波長を吸収するため、スペクトルの形は材質や成分の指紋のように働きます。
方式 | 波長方向の分解能 | 取得している情報 | 得意な不良 | 限界・コスト |
|---|---|---|---|---|
RGBカメラ | 3バンド（R/G/B） | 可視域を3値に圧縮した色と形 | 寸法、欠け、位置ズレ、目に見えるキズ・汚れ | 色が同じ違いは原理的に不可視。安価・高速・実績豊富 |
マルチスペクトルカメラ | 数バンド〜十数バンド（とびとび） | あらかじめ選んだ波長の反射率 | 対象と欠陥が決まっていて、効く波長が既知の判別 | 効く波長を外すと何も見えない。事前の波長選定が必須 |
ハイパースペクトルカメラ | 数十〜数百バンド（連続） | 画素ごとの連続スペクトル | 材質・成分・水分・劣化など「見た目が同じ違い」 | データ量が大きく解析モデルが要る。形状不良には不向き |
マルチスペクトルとは、必要な波長だけをとびとびに撮る方式で、用途が固まっていれば安価かつ高速に回せます。一方ハイパースペクトルは波長方向に連続して撮るため、どの波長が効くかが分かっていない段階でも探索できるのが利点です。前掲の炭素鋼の研究でも、350〜1100nmを5nm刻みで取得したうえで、解析に有効な波長として500nmと760nmが選ばれています。まず広く撮り、効く波長を見つけてから本番機を絞り込む、という順番が現実的です。
正直に限界も書きます。分光は万能ではありません。形状不良・寸法・欠けのような幾何的な不良に対しては、通常のRGB画像処理のほうが速く安く確実です。また反射光を使う分光は主に表層付近の情報を捉えるため、厚みの奥にある欠陥や金属異物はX線などの透過系が向きます。データ量も1画素あたり数百次元に増えるため、タクトタイムとデータ保存の設計を最初に詰める必要があります。仕組みの前提から確認したい場合は、ハイパースペクトルカメラとは何かを原理から解説した記事を先にお読みください。
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（これまでの取り組み）。方式の向き不向きを先に整理したうえで、分光が要るかどうかから一緒に判断しています。
自動化できるかを切り分ける判定フレーム｜4つの問い
装置を比較する前に、次の4問を順に確認してください。上から順に潰すと、投資の方向が変わります。
- その不良は、撮った画像に違いとして写っているか。写っていればアルゴリズムの問題。写っていなければセンサーの問題です。
- 良品と不良品の境界を、数値で書けるか。書けないなら、まず限度見本と判定基準の合意からです。
- 不良サンプルが、ばらつきを含めて数十〜数百点集まるか。集まらないなら教師なし異常検知か、物性を直接測る方式を検討します。
- 撮像条件を24時間・季節をまたいで固定できるか。固定できないなら、光学設計と治具が先で、AIは後です。
この4問を通すと、打ち手が自然に決まります。1でNGなら分光やX線などセンサーの変更、2でNGなら基準づくり、3でNGならアルゴリズムの選び方、4でNGなら装置設計です。どこにお金を使うべきかが見えたら、回収年数の考え方は検査自動化の費用対効果を試算する手順にまとめています。
PoCの設計手順｜外観検査 自動化の投資判断を1〜3か月で下す
結論から言えば、外観検査の自動化は机上では決まりません。実サンプルを撮って、違いが出るかを見るところからしか始まりません。ただしPoCは「やってみる」では終わらないので、設計を先に固めます。
- サンプルを決める。不良品だけでなく、良品のばらつき（ロット差・材料差・季節差）を必ず含めます。良品が1種類しかないPoCは、本番で必ず過検出します。
- 成功基準を数値で先に書く。「精度が高いこと」ではなく、見逃し率○%以下・過検出率○%以下・タクト○秒以内、と決めます。基準を後から決めると、結果に合わせて基準が動きます。
- 広い波長域でまず撮る。効く波長が未知の段階では、ハイパースペクトルで連続取得して探索し、そこから本番用の波長を絞り込みます。
- ラインの条件で再現する。ラボの静止撮影で出た差が、搬送速度と振動の下でも出るかを確認します。ここで落ちるPoCが最も多い落とし穴です。
- 横展開の条件を書き残す。他品種・他ラインへ広げるとき、何を再学習・再校正すれば足りるのかを記録しておきます。
落とし穴をもう一つ挙げると、PoCの成功基準に「人と同じ判定になること」を置くケースです。人の判定自体にばらつきがある以上、一致率は頭打ちになります。比べるべきは人ではなく、破壊検査や理化学分析などの客観的な正解です。稟議や補助金まで含めた進め方は、PoCの進め方を6ステップで整理した記事が参考になります。
私たちが提供している国産ハイパースペクトルカメラ「irodori」は、こうした波長探索の段階から使っていただくことを想定しています。分光が要るのか、RGBで足りるのかの切り分けから相談できるよう、サンプル1点からの検証もお受けしています。判断材料として、仕様・検討の進め方をまとめた資料をご用意しました。
