外観検査 装置を入れたのに不良が止まらない。原因の多くは性能ではなく方式選定のズレです。目視・画像処理・AI・X線・分光の5方式を検出原理で比較し、RGBの限界と分光が要る条件を判定チャートで整理します。
先に結論を書きます。外観検査装置の方式は「その欠陥が何によって見えているか」で決まります。形状・寸法・欠けのように輪郭で見える不良は画像処理カメラ、学習データが十分に集まる曖昧なキズはAI画像検査、内部の空隙や金属異物はX線が向きます。一方で「見た目の色や形は同じなのに中身が違う」不良は、RGBカメラでは原理的に捉えられません。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のに対し、分光（ハイパースペクトル）イメージングは同じ範囲を数十〜数百のバンドに分けて連続的なスペクトルとして記録します。実際に炭素鋼の腐食を扱った研究では、350〜1100nmを分解能5nmで取得することで、見た目は同じ赤茶色の錆から α-FeOOH・β-FeOOH・γ-FeOOH・Fe3O4 といった化学種を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）。この「情報量の桁が違う」という点が、方式選定の分かれ目です。
外観検査装置の5方式を比較する｜選ぶ基準は「検出原理」
カタログを横並びにしても方式は選べません。比較すべきは価格やタクトではなく、その装置が何を物理量として測っているかです。実務で候補に挙がる5方式を、検出できる欠陥の種類で整理しました。
方式 | 測っている物理量 | 得意な欠陥 | 苦手・原理的に見えないもの | 導入のハードル |
|---|---|---|---|---|
目視検査（人） | 人の視覚・経験 | 想定外の異常、少量多品種、判断に文脈が要る不良 | 再現性・記録性。疲労と個人差が避けられない | 低（ただし人員確保と教育が継続的な負担） |
画像処理カメラ（ルールベース） | 輝度・輪郭・面積 | 寸法、欠け、バリ、有無検査、位置ズレ | 定義できない「曖昧なキズ」。背景と輝度差が出ない欠陥 | 中（照明・レンズ設計が成否を分ける） |
AI画像検査（RGB＋学習） | 輝度・輪郭のパターン | 言語化しにくい表面のキズ・ムラ・汚れ | 学習データに無い不良。そもそもRGBに写らない違い | 中〜高（不良サンプル収集と再学習の運用が必要） |
X線検査 | 透過率（密度・原子番号） | 内部欠陥、ボイド、金属異物、充填状態 | 周囲と密度差が小さい異物（樹脂片・骨・毛髪など） | 高（遮蔽・法令対応・設置スペース） |
分光・ハイパースペクトル検査 | 波長ごとの反射率（スペクトル） | 材質・成分・水分・膜厚・劣化など「見た目が同じ違い」 | 形状不良や寸法。データ量と照明条件の管理負荷が大きい | 中〜高（波長選定と解析モデル構築が必要） |
この表で伝えたいのは優劣ではなく守備範囲の違いです。実務では複数方式の併用が普通で、たとえば寸法は画像処理、内部はX線、材質・成分は分光、という分担になります。1台ですべてを賄おうとすると、どの欠陥にも中途半端な仕様になりがちです。
「装置を選ぶ」前に決めるべき3つのこと
現場で多いのは、装置の比較検討から始めてしまい、後から要件が動いて手戻りになるパターンです。見積もりを取る前に、次の3点だけは社内で言語化しておくと選定が驚くほど速くなります。
- 不良の定義：どこまでが良品か。限度見本があるか、無いなら誰が決めるか
- 許容する見逃し率と過検出率：過検出（良品を不良と判定）を何%まで許すか。ここを決めないと精度の議論が空転します
- タクトと搬送条件：ライン速度、ワークの姿勢ばらつき、振動、外光の入り方
AI外観検査が「うまくいかない」3つの典型パターン
AI画像検査は成熟してきた一方で、導入したものの運用に乗らない事例も少なくありません。生産技術の現場で聞く失敗は、おおむね次の3つに分類できます。
パターン1：不良サンプルが集まらない
不良率が0.1%を切るような良いラインほど、学習に必要な不良画像が集まりません。不良の発生を待つか意図的に作るしかなく、そのコストがPoCを止めます。不良率が低いラインでは、教師あり学習より「良品からの逸脱」を見る異常検知型の設計を先に検討するのが定石です。
パターン2：品種が変わるたびに作り直しになる
多品種少量の現場では、品種ごとに検査プログラムや学習モデルが必要になり、開発工数が線形に増えます。1品種のPoCが成功しても、20品種に展開した瞬間に採算が合わなくなる。PoCの段階で「横展開したときの1品種あたり工数」を試算しておくと、この落とし穴は避けられます。
パターン3：そもそもRGB画像に写っていない
最も厄介なのがこれです。精度が出ない原因をアルゴリズムやデータ量に求めて改善を繰り返しても、元の画像に判別材料が含まれていなければ、どんなモデルでも検出できません。異種樹脂の混入、含水率の違い、熱履歴による変質、コーティングの塗り残しなど、色や輪郭に差が出ない不良がこれに該当します。AIの精度を上げる前に、「この不良は本当にRGBに写っているのか」を撮像段階で検証する工程を挟むべきです。
RGBカメラの原理的な限界と、分光が優位になる条件
ここは定量で押さえておく価値があります。RGBカメラは、可視域のスペクトルを赤・緑・青という3つのバンドに集約して記録する仕組みです。人の目に見える色を再現するには十分ですが、波長方向の情報は3点に圧縮されているため、スペクトル形状の細かな違いは撮影した時点で失われます。
対してハイパースペクトルカメラは、同じ対象を数十〜数百のバンドで捉えます。具体的な数字で並べると差は明確です。
センサー | 波長域 | バンド数 | 1画素あたりの情報 |
|---|---|---|---|
一般的なRGBカメラ | およそ400〜700nm（可視） | 3 | 3つの値 |
Specim FX10（VNIR・産業用） | 224 | 連続スペクトル | |
Specim FX17（NIR・産業用） | 224 | 連続スペクトル | |
HISUI（経済産業省・JAXAの衛星搭載センサ） | 0.4〜2.5μm | 連続スペクトル |
バンド数が3から数百に増えるということは、1画素が「色」ではなく「材質や成分のサイン」を持つということです。前述の腐食研究で、同じ赤茶色に見える錆から化学種を分離できたのはこのためです。原理と仕組みを詳しく知りたい方はハイパースペクトルカメラの仕組みとマルチスペクトルとの違いを解説した記事にまとめています。
判定チャート｜RGBで足りるか、分光が要るか
次の質問に上から順に答えてください。ひとつでも「はい」が出た時点で、その行の推奨方式が第一候補です。
質問 | 「はい」の場合の推奨 | 理由 |
|---|---|---|
Q1. 良品と不良品を、熟練者が「写真だけ」を見て仕分けられるか | RGB（画像処理／AI画像検査） | 人が写真で判別できる＝RGBに情報が写っている証拠。分光は不要 |
Q2. 熟練者は現物を見れば分かるが、写真では分からないか | 撮像条件の見直し → 改善しなければ分光を検討 | 照明・角度・偏光の工夫で解決する場合がある。まず撮り方を疑う |
Q3. 見分けたいのは材質・成分・水分・膜厚・劣化度か | 分光（ハイパースペクトル） | これらは波長ごとの吸収パターンに現れ、3バンドでは分離できない |
Q4. 対象は表面ではなく内部にあるか | X線・超音波 | 分光が見るのは主に表面から数百μmまでの反射光 |
Q5. 測るのは1点でよく、面の分布は不要か | 点分光計（NIR／FTIR） | 面で撮る必要がなければ、コストもデータ量も大幅に下がる |
Q1で「はい」なら、分光は過剰投資です。Q2〜Q3で詰まっている場合に初めて、分光が費用対効果に見合う可能性が出てきます。カメラの種類をさらに細かく絞り込みたい方は分光カメラを目的別に4種類で比較する判定チャートが参考になります。
正直に書く｜分光が向かないケース
分光は万能ではありません。導入前に必ず認識しておきたい制約が3つあります。
- データ量と処理速度：1画素あたり数百の値を持つため、データ量はRGBの数十倍以上になります。高速ラインでの全数検査ではデータ転送と処理が律速になることがあります
- 照明条件への依存：反射スペクトルは光源の分光分布に左右されます。外光の混入や光源の経年変化が精度を落とすため、遮光と定期的な白色校正が前提になります
- 形状不良には効かない：欠け・バリ・寸法といった幾何学的な不良は、素直にRGBの画像処理で見るほうが速く安価です
私たちは国産のハイパースペクトルカメラ「irodori」を自社開発しています。記事の途中で恐縮ですが、もし「AI外観検査を試したが精度が上がらない」「そもそもRGBに写っていない気がする」という段階でお困りでしたら、判定チャートのQ2〜Q3を一緒に切り分けるところからお手伝いできるかもしれません。これまで食品・農業・インフラ・医療などの現場とともに実証を重ねてきましたので、実績一覧もあわせてご覧ください。
外観検査装置の導入に使える補助金・助成金
外観検査装置は設備投資額が大きくなりやすいため、公的支援の活用を検討する価値があります。ただし公募は年度ごとに制度名も要件も変わるため、ここでは代表的な2制度の枠組みだけを示します。
- ものづくり・商業・サービス生産性向上促進補助金（ものづくり補助金）：生産性向上に資する革新的な製品・サービス開発や設備投資を支援する制度です。第23次締切分は公募要領が2026年2月6日に公開され、申請締切は2026年5月8日、採択結果は2026年8月7日に公表されています（ものづくり補助金総合サイト／中小企業庁：第23次公募要領）。本記事の執筆時点で次回公募の日程は公表されていません。
- デジタル化・AI導入補助金2026（旧・IT導入補助金）：ソフトウェアやITツールの導入を支援する制度で、検査の解析ソフトや周辺システムが対象になり得ます。通常枠の締切は複数回設定されています（事業スケジュール｜デジタル化・AI導入補助金2026）。
採択率や受給できる金額をここで断定することはできません。対象経費の範囲・補助率・加点要件は公募回ごとに変わるため、公募時期・要件は必ず公式サイトで最新情報をご確認ください。検査装置に絞った補助金の考え方は検査装置の導入に使える補助金の活用ガイドで詳しくまとめています。
irodori の導入が補助金の対象になり得るか、まずはお気軽にご相談ください。制度の可否判断は最終的に事務局の審査によりますが、要件に合わせた構成の組み方についてはお話しできることがあります。
導入ステップ｜小さく試して失敗コストを下げる
外観検査装置の導入で最も費用対効果が悪いのは、要件が固まらないまま本番ラインの装置を発注してしまうことです。実務では次の順序で、判断が必要な論点を前倒しで潰していきます。
- サンプル撮像（1〜2週間）：良品・不良品の現物を持ち込み、「その不良が撮れるか」だけを検証します。ここで撮れなければ、この先の工程はすべて無駄になります
- 波長・照明の選定：分光を使う場合、どの波長帯に差が出るかを特定します。差が出る波長が絞り込めれば、本番はより安価なマルチスペクトル構成で済むこともあります
- 判定モデルの構築とオフライン評価：見逃し率・過検出率を数値で出し、事前に決めた許容値と突き合わせます
- ライン環境でのPoC：振動・外光・タクト・ワーク姿勢という、実験室では出ない変動要因を確認します
- 本番導入と運用設計：校正頻度、モデル更新の担当者、判定閾値の変更手順まで決めて初めて「運用に乗った」と言えます
ステップ1と2に投じる費用は、装置全体から見れば小さな割合です。ここを省略した結果、数千万円の装置が稼働しないまま置かれている現場を見かけます。投資判断の考え方や回収年数の試算方法は検査自動化の費用対効果を4ステップで試算する記事に整理しました。なお製造業全体の人材確保の状況については、2026年版ものづくり白書（経済産業省）が業況とあわせて公表しています。
方式を決めてから装置を選ぶ。外観検査 装置の選定は、メーカー比較から始めるとほぼ迷走します。①その不良が何によって見えているかを特定し、②方式を決め、③その方式の装置を比較する——この順序を守るだけで、失敗の大半は防げます。AI外観検査で精度が頭打ちになっている場合は、モデルを改良する前に「RGB画像に判別材料が含まれているか」を疑ってください。含まれていないなら、それはアルゴリズムの問題ではなく撮像の問題です。
どの波長帯に差が出るのか、そもそも分光で分離できる対象なのか。この見極めは、実際に現物を撮ってみるのが最も確実です。ハイパースペクトルカメラ irodori の仕様や活用例をまとめた資料をご用意していますので、社内での方式検討の材料としてお使いいただけたら嬉しいです。
