外観検査 ai 比較の実務ガイド

種類」を同時に検出します。傷・ピンホール・バリなど複数の欠陥種別を1回のスキャンで特定したいときに選ぶ手法です。

③ 異常検知（教師なし学習）

良品画像だけで学習し、そこからのズレを「異常」として検出します。不良品サンプルが集まりにくい現場に向いていて、AISIA-ADなどが採用している方式でもあります。

そして近年注目されているVision Transformer（ViT）は、より高精度ですが、必要データ量は 良品1,000枚以上＋不良品1,000枚以上（参考）と多い。

{CHART|bar|アーキテクチャ別 学習データ必要量（良品＋不良品の合計目安）|CNN（ResNet等）,Vision Transformer（ViT）|1000,2000|枚|https://koromo.io/blog/manufacturing-ai-visual-inspection/|koromo.io 製造業AI外観検査}

出典: koromo.io「製造業AI外観検査」のデータより匠座作成

不良品サンプルが足りないときの対処法

不良品が少ない——これは多くの現場が直面する壁です。解決策として注目されているのが、生成AI（GANや拡散モデル）によるデータ拡張。これを使うと、不良品画像の収集期間を 数か月から数週間に短縮 できます（参考）。

先日、MVTecが2025年に公開した「MVTec AD 2」というベンチマーク論文（参考）を読んでいて唸りました。以前のMVTec ADでは最新手法がAUROC 93%以上を達成していた。ところが、より難度の高いMVTec AD 2では最先端手法でもAU-PRO@5%が31%にとどまるという結果が出ています。

研究室のベンチマーク精度と、自社ラインでの精度は別物だと思っておいてください。この差を理解していないベンダーの提案書は、少し注意が必要です。

---

費用200万〜3,000万円の差はどこで生まれるか

導入費用の目安は200万〜3,000万円超です（参考）。この幅に驚くと思いますが、差が生まれるポイントは主に3つ。

1. カメラ台数と設置工事費
2. AI学習コスト（PoC費・チューニング費）
3. SIer（システムインテグレーター）の工数費用

「その見積もり、半分以上はSIer費です」——これはよくある話です。見積書を受け取ったら、内訳を項目別に出してもらうことをおすすめします。

主要ツールを並べてみます。数字は公開されている一次情報の範囲のみ記載しています。

（出典: 参考 / 参考）

Keyence・Cognex・HACARUSについては費用の一次情報がないため「要問い合わせ」としています。比較検討の際は各社の公式窓口へ確認を。

補助金で実質負担を圧縮する

ものづくり補助金・省力化投資補助金の補助率は 1/2〜2/3（参考）。800万円の導入なら実質負担が267〜400万円になる可能性があります。AISIA-ADのようにものづくり補助金の採択実績が多いベンダーは、申請サポートを受けやすいメリットもあります。

{CHART|bar|AI視覚検査システム世界市場規模|2026年,2030年|368.4,852.4|億ドル|https://koromo.io/blog/manufacturing-ai-visual-inspection/|The Business Research Company}

出典: The Business Research Company「AI Visual Inspection System Global Market Report 2026」のデータより匠座作成

市場は2026年の368.4億ドルから2030年には852.4億ドルへ、CAGR 23.3%で拡大見込みです（参考）。ベンダーが増えて選択肢が広がり、価格競争も進む方向にある。今すぐ飛びつく必要はないけれど、補助金には申請期限があります。そこだけ注意してください。

---

「導入前後の1日」を時刻で並べてみた

一次情報シートの実績データ（不良品流出率60〜90%削減・人件費30〜70%削減）が、現場でどう見えるかを整理します。架空の数値は使いません。

Before：目視検査ライン（Aさんの典型的な1日）

• 08:00 ラインスタート。1個あたり15〜20秒の目視検査。午前中は精度が安定している
• 13:00 午後に入り、集中力が落ちはじめる。統計的に午前比で最大10%の精度差が生じやすい時間帯（参考）
• 15:00 品種切替が発生。ルールベース画像処理の設定変更のため、1品種あたり数日〜数週間 の調整期間が必要（参考）
• 18:00 ライン終了。「今日、流出があったかもしれない」という不確実さが残る

After：AI外観検査導入ライン（Bさんの典型的な1日）

• 08:00 AIカメラが自動検査を開始。午前も午後も同じ精度で稼働する
• 13:00 精度に変化なし。検査員はアラートが出た箇所だけ確認する役割にシフト
• 15:00 品種切替はAIの再学習で対応。調整期間を大幅に短縮できる
• 18:00 検査ログが自動集計される。事例実績として、不良品流出率平均60〜90%削減・人件費削減幅30〜70%の範囲が公開されている（参考）

この変化が自社で実現するかどうかは、次の「向かない現場の3条件」で確認してください。

---

よくある質問に先に答えます

Q1. 費用は最低いくらかかりますか？

導入費用の目安は200万〜3,000万円超（TCOベース：カメラ・AI学習コスト・SIer費含む）。ものづくり補助金や省力化投資補助金（補助率1/2〜2/3）を活用すれば実質負担を圧縮できます（参考）。まずSaaS型やPoC契約で小さく試す選択肢も現実的です。

Q2. 不良品画像が少ないのですが大丈夫ですか？

CNNなら良品500枚＋不良品500枚以上、ViTなら各1,000枚以上が目安（参考）。不良品が少ない場合は生成AI（GANや拡散モデル）でのデータ拡張が有効で、収集期間を数か月から数週間に短縮できた事例があります（参考）。絶対数が少ない現場は、教師なし異常検知から検討するのが現実的です。

Q3. 精度はどれくらい出ますか？

産業ベンチマーク「MVTec AD」では最新手法がAUROC 93%以上を達成（参考）。ただし現場精度は照明・撮影条件・製品の複雑さで大きく変わります。ベンダーに「自社製品での精度保証をどう担保するか」を聞くのが重要です。

Q4. ルールベース画像処理との違いは？

ルールベースは製品仕様変更のたびに1品種あたり数日〜数週間の再調整が必要（参考）。AIはデータで学習するため、品種切替への対応が柔軟になります。ただし初期学習コストはAIの方が高い。「品種が少なく仕様変更がほとんどない」現場では、ルールベースのままで十分なケースもあります。

Q5. 社内にIT人材がいなくても進められますか？

SIerへの依頼が現実的です。ただし「何を検出したいか」「1日の検査ロット数」「既存データ枚数」は自社で整理してから相談したほうが、見積もりの精度が上がります。後述のプロンプトを活用してみてください。

---

正直に言います：AI外観検査が向かない現場の3条件

万能ではありません。以下の条件に当てはまる場合、ROIが合わないリスクが高くなります。

① 不良品サンプルが絶望的に少なく、拡張も難しい

CNNには不良品500枚以上が必要です（参考）。「過去10年で欠陥が出たのは数件」という現場なら、教師なし異常検知やルールベース処理から検討したほうが現実的です。

② 照明・撮影条件を固定できない

AIの精度は、学習データと本番データの撮影条件が一致していることが前提です。「ラインを移動することがある」「自然光が入る」「製品サイズが頻繁に変わる」——これらがある環境では、学習精度と実際の精度がズレやすい。照明設計と撮影環境の固定が、AI導入の成否を左右します。

③ 品種が多く、切替頻度が高い

AIも品種切替のたびに再学習コストが発生します。品種が多く毎週切り替わる現場では、学習・検証コストが積み上がってROIが合わなくなるケースがあります。導入前にTCO（総保有コスト）を丁寧に試算してください。

実は、匠座の記事品質ゲートでも似た体験をしています。毎朝の記事自動生成パイプラインに品質チェックAIを組み込んだとき、最初は「良品サンプル（品質基準を満たした記事）」の数が少なすぎて、NGを出すべきものをスルーしてしまっていた。データ不足の問題は製造現場だけじゃなく、AIを使うどの現場でも起きる普遍的な壁なんですよね。

---

ここまで読んで「自社だけでやるには手が足りない」と感じた方は、『AI鬼管理｜Claude Code業務自動化トレーニング』（Claude Codeで日々の業務を自動化する実践トレーニング（無料の業務効率化診断あり））のような外部サービスという選択肢もあります。急ぎでなければ、まずは無料のチェックリストで足元を固めるのがおすすめです。

AI鬼管理｜Claude Code業務自動化トレーニング ↗

まとめと今日やること：30分でできる3ステップ

ステップ① 不良品画像を今日数える

「CNNなら500枚以上必要」——この数字を知ってからベンダーに相談すると、会話の質が変わります。今日、手元にある不良品画像が何枚あるか数えてください。それだけで、次の打ち手が見えてきます。

ステップ② 補助金の公募状況を確認する

ものづくり補助金・省力化投資補助金（補助率1/2〜2/3）の公募スケジュールは時限制です（参考）。j-grants.jp（jグランツ）で「ものづくり補助金」と検索して、次の締切と申請要件を10分で確認してみてください。

ステップ③ 下記のプロンプトをコピーして使う

ベンダーに相談する前に、自社要件を整理するためのプロンプトです。ChatGPTやClaudeに貼り付けてそのまま使えます。

あなたは製造業のAI外観検査導入コンサルタントです。
以下の情報をもとに、PoC（概念実証）の要件を整理してください。

【製品情報】
- 製品名・素材: [例: SUS304製プレス部品]
- 検出したい欠陥の種類: [例: 傷・打痕・バリ]
- 1日の検査ロット数: [例: 2,000個]
- 現在の検査方法: [例: 目視2名体制、1個あたり約15秒]
- 手元の不良品画像の枚数: [例: 約50枚]
- 過去の不良品流出の実績（あれば）: [例: 月3〜5件のクレーム]

【出力してほしいこと】
1. 推奨AIアーキテクチャ（画像分類/物体検出/異常検知）とその理由
2. 学習データ必要量の目安と、不足する場合の補い方
3. PoC実施期間の目安（週単位）
4. 成功/失敗を判断する評価指標（何をもって成功か）
5. この条件で起きやすいリスクと注意点

使いどころ: ベンダーに相談する前の事前整理として。

出力を検証する観点: 推奨アーキテクチャの理由が「自社のデータ量・欠陥の種類」に対応しているかを確認する。

---

ベンダーから提案書を受け取ったあとに使うプロンプトも置いておきます。

以下のAI外観検査システムの提案書・見積書を受け取りました。
実務者の目線で、見落としやすいリスクと確認すべき項目を指摘してください。

【提案書の内容】
[提案書または見積書のテキストをここに貼り付けてください]

【確認してほしい観点】
1. 初期費用以外に発生しうる追加費用（カメラ設置・ネットワーク工事・年間ライセンス等）
2. 製品切替・品種追加時の再学習コストと対応期間の目安
3. 保守・サポート体制と障害対応のSLA（応答時間の定義）
4. ものづくり補助金・省力化投資補助金の適用可否
5. 学習データの所有権がどちらに帰属するか（契約書での明記の有無）

使いどころ: 2〜3社から見積もりを取った後の比較検討段階で。

出力を検証する観点: 「データの所有権」に明確な答えが返ってこないベンダーは、後で交渉が難しくなる可能性がある。

---

編集長メモ：ヘリックス（執筆者について）

比較表を眺めるより、まず自社の不良品画像を数えること。そこから全てが始まります。プロンプトを今夜コピーして、明日の朝イチで動いてみてください。

▶ あわせて読みたい：外観検査AI比較2026：導入費・精度・現場で迷わない選び方

▶ あわせて読みたい：物流 ai エージェント 物流の実務ガイド（2026-08）