外観検査AI事例から学ぶ：現場が最初に確かめるべき3条件

深夜の23時。「外観検査 AI 事例」と検索しているのは、ラインに何かを感じているあなただと思う。

「今日また1個流出した。なんで防げなかったんだろう」

「田中さんが来月定年。あの目、どうやって引き継ぐんだ」

あなたのせいじゃない。構造の問題なんですよ。

目視検査は「人が見ることに依存する構造」を変えずに来た。人は疲れる。シフト後半は集中が落ちる。「OK/NG」の判断基準が個人の頭の中に閉じている。これが問題の核心です。

経済産業省が毎年出す「ものづくり白書」でも、製造現場の人手不足と熟練技術継承が一貫した課題として取り上げられ続けている。参考

この記事では、一次情報に根拠がない数字は書かない。その代わり、明日の現場で使える判断軸を密度高く渡します。

持ち帰れるのはこの3つです。

• 外観検査AIが現場に根付くための「三つの前準備」と具体的な手順
• Before/After で見る「何が変わるか」の情景
• よくある失敗と、うちの現場に向いているかを判断する軸

---

「目視でいける」と言い続けた工場が、静かに限界を超えていく

検査員が10年のベテランだと、現場は安心する。でもその安心は、個人の目に全部乗っかっている。

問題は3つある。

疲労による見落とし。 人間の視覚集中力は長時間持続しない。午前のシフト頭と、午後の終わり1時間では判定精度が変わる。これは多くの現場管理者が体感していることだと思う。

基準の属人化。 「このくらいの傷はOK」「これはグレーだけど通す」という判断が、ベテランの頭の中にだけある。引き継ごうとすると言語化できない部分が必ず残る。それが流出の温床になる。

品種・条件の複雑化。 多品種・短ロット化が進むほど、目視でカバーしきれない組み合わせが増える。検査員が増えると今度は、人によって判定がばらつくという別の問題が出てくる。

AIが完全に目視を置き換えるわけじゃない。でも「疲れない」「忘れない」「記録を残す」の3点で、AIは確実に人を補える。ここをまず押さえておきたいんですよね。

---

外観検査AIを現場に落とす「三つの前準備」

ここが曖昧なまま導入すると、「AIが使えなかった」という結論になりやすい。でもその多くは、AIではなく準備が足りないだけです。

準備①：照明と撮影条件を固定する（最重要）

AIカメラが「見ている」のは、光の反射パターンです。照明がぶれると、同じ傷でも画像が変わる。つまり学習通りに判定できなくなる。

チェックすべきポイントはここ：

• 周囲光（窓からの外光・天井照明）の影響を遮断できているか
• ドーム照明・同軸落射・リング照明のどれが不良を浮かび上がらせるか、試験済みか
• カメラの位置・距離・角度が毎回同じに固定されているか

照明設計は後から変えにくい。時間をかけるべき最重要ポイントです。AIの判定精度が出ない事例の多くは、モデルではなくここに原因がある。参考

準備②：不良データを「NG種別」で分類して収集する

AIに学習させるには、「これはNG」というラベル付きデータが必要です。よくある失敗が「NGを全部同じラベルで集めてしまう」こと。

傷・汚れ・欠け・色ムラ・異物混入は、それぞれ別の不良です。ラベルを細かく切ることで、AIが「何に反応すべきか」を正確に学べる。

量のバランスも問題になります。OK品データとNG品データが著しくアンバランスな状態（クラス不均衡）では精度が出にくい。不良品が月に数個しか出ない現場では、「良品だけで学習し、そこからの逸脱を異常として検知する」アプローチのほうが現実的です。参考

準備③：閾値の設定は「過検出側から始める」

閾値（しきい値）とは、AIが「NG」と判定する境界線のこと。厳しくしすぎると良品を弾きすぎ（過検出）、甘くすると不良を見逃す（漏れ）というトレードオフがある。

最初は「少し厳しめ」から入るのが鉄則です。

漏れを出してから調整するより、過検出を管理しながら絞っていくほうが現場リスクが低い。NG判定されたものを人が再確認するハイブリッド運用を2〜4週間並走させながら、最適値を見つけていく。

---

ここでプロンプトを1つ。AIカメラのメーカーやSIer（システムインテグレーター：ITシステムを構築する会社）に初めて相談する前の「要件整理」に使ってください。

あなたは製造業の生産技術エンジニアです。以下の情報をもとに、
AIカメラシステムの選定で確認すべき要件リストを作成してください。

【製品情報】
- 製品名・品番：[例：プレス部品A-100]
- 検査対象の不良種類：[例：傷、欠け、異物付着]
- 不良の最小サイズ：[例：0.3mm程度]
- 1シフトあたりの検査数：[例：500〜800個]
- 現在の検査方法：[例：目視（2名体制）]

上記をもとに、以下の観点で要件を整理してください：
1. カメラ解像度・フレームレートの要件
2. 照明タイプの候補と推奨理由
3. 学習データの最低必要量の目安
4. 導入前に確認すべき照明環境の課題
5. 稼働後に継続的にモニタリングすべき指標

使いどころ： メーカー・SIerへの見積もり依頼前の事前整理として。

出力を検証する観点： 提示された仕様が自社の不良サイズと照合できているか、現場の担当者と一緒に確認する。

---

検査員が3人いた工程は、今どう変わったか

架空の数字は使わない。でも情景なら描ける。

---

Aさん（導入前・目視検査員）の1日

08:00　ラインに就く。今日のロットは400個。丁寧に見ていく。

10:30　目がかすみ始める。コーヒーを1杯。でも集中は戻りきらない。

14:00　午後のシフト。緊張感はもう午前より薄い。「疲れてる」と気づいていても手は止められない。

17:00　「全部見た」と記録する。何個見落としたか、誰も知らない。

---

Bさん（導入後・AI検査管理担当）の1日

08:00　システム起動確認。アラートがなければそのまま稼働。カメラは止まらない。

10:30　AIが「要確認」と判定した4個をピックアップして目視確認。3個は過検出、1個は本当のNG。記録をつける。

14:00　午後もAIの判定精度は変わらない。疲労はシステムに関係ない。

17:00　NGの発生傾向をダッシュボードで確認。「今日は後半に欠け系が増えた。型の当たりが出ているかも」。明日の改善ポイントが見えている。

---

変わったのは「検査員の目がない時間をゼロにした」こと、そして「NG品データが蓄積されて、次の工程改善に使えるようになった」ことです。

キーエンスのAI搭載画像処理システムやオムロンのFAビジョンシステムは、まさにこの「人の補完」として設計されている。各社のウェブサイトには照明設計から稼働までの流れが具体的に掲載されています。参考

先日、キーエンスのウェブサイトで公開されている外観検査AI事例を読んでいて唸ったんですよ。プレス部品の工程で「AIに問題がある」と思っていたら、実は照明のブレが原因だったという話が出ていて。「環境を整えずにAIを入れる」失敗の典型だと思った。現場では本当によく起きることなんですよね。参考

一方で僕自身の話をすると、匠座でAIパイプラインを組んで毎朝の記事自動生成と品質ゲートを運用しているんですが、入力素材の「照度のムラ」みたいなものが出てくることがあって。データが整っていない日の出力は、ぱっと見それっぽいのに中身が薄い——という失敗を繰り返した。AIは素材のブレに正直です。外観検査も根は同じだと思ってます。

---

選定で迷ったら見る「三つのルート×六つの軸」比較

AI外観検査のアプローチは大きく3つに分かれる。

「まず既製品で試す」が最短ルートです。キーエンスもオムロンも代理店経由の無料デモに応じているところが多い。自社のワークを持参して実際に試験してから判断するのが鉄則で、机上の仕様比較だけで選んではいけない。

---

正直に言う——AI外観検査がうまくいかない3つのケース

万能に見せるのは誠実じゃない。向かないケースを先に伝えます。

ケース①：品種が多すぎて「何をOKと教えればいいかわからない」

月10品種以上・短ロットの現場で全品種をAIに学習させようとすると、膨大なデータと工数が必要になる。費用対効果が合わないことが多い。

まず「不良率が高い品種の1〜2種類だけ」に絞って始めるのが現実解。全部一気にやろうとして途中で止まるより、1品種で確実に動かすほうが現場の信頼を得られる。

ケース②：不良品がほとんど出ない高品質ライン

学習に使えるNG品が月に数個しかない現場では、判別型AIの学習が成立しにくい。この場合は「良品の正常パターンを学習させ、そこからの逸脱を異常とする」異常検知アプローチを検討する。不良の種類が増えても対応しやすいという副次的なメリットもある。

ケース③：ワークの位置決め・姿勢が安定しない

手で持ち回す検査、複雑な3D形状、毎回向きが変わるワーク——撮影条件が一定にならないため精度が出にくい。治具で位置決めを固定できるか、3Dスキャン方式を検討する必要がある。

加えて、経営層が「AIがやってるから大丈夫」と過信するリスクも無視できない。AIも間違える。「AI判定＋人による再確認」のハイブリッド運用を前提に設計することが、長く使い続ける条件です。

AI外観検査に向いているか？5分でわかる確認リスト

• [ ] 対象とする不良種別が5種類以内に絞れる
• [ ] 1品種の月産数が数百個以上ある
• [ ] NG品を定期的に保管・収集できる環境がある
• [ ] カメラ・照明を固定できる設備スペースがある
• [ ] 3ヶ月以上の試験運用期間を確保できる
• [ ] AI判定を人が再確認するオペレーションを組める

3つ以下しか○がつかないなら、先に環境づくりから入ったほうがいい。

---

深夜に湧く疑問に、先に答えます

Q：費用はどのくらいかかりますか？

A：カメラ・照明・PCなどのハードウェアとソフトウェア・学習費用の組み合わせで変わります。「100万円以下から試せるPoC（概念実証：小規模な試験導入）」と「ライン全体に適用する数百万〜数千万円規模の投資」の両端がある。まず無料デモで「うちのワークで動くか」を確かめてから判断してください。

Q：データがなくても始められますか？

A：良品画像が数十枚あれば「異常検知」として始められるアプローチは存在します。一方、特定のNG種別を検出する判別型モデルはNG品データが必要です。まず良品を安定した条件で撮影することから始めてみてください。

Q：どのくらいで本稼働できますか？

A：既製AIビジョンシステムであれば、照明・撮影環境が固まれば数週間〜2ヶ月での稼働事例があります。ただし「安定した精度での本番稼働」までは3〜6ヶ月を見るのが現実的です。

Q：社内にAIエンジニアがいないと無理ですか？

A：既製品のAIビジョンシステムはGUI（画面操作）でラベル付け・学習ができるものが増えています。エンジニアなしで始められるケースもある。ただし照明設計や治具の機械的な部分には、FA（ファクトリーオートメーション：工場自動化）の知識がある人が必要です。

Q：AI判定が間違えたらどうなりますか？

A：最初からAI単独で完結させないことが大前提です。「AIが要確認とした個体を人が再確認する」ハイブリッド運用で始める。AIへの過信が最大のリスクです。

---

もう1つプロンプトを渡します。NG品の分類基準を言語化し、AI学習のラベル設計と人の教育を同時に進めたいときに使ってください。

あなたは品質管理の専門家です。以下の情報をもとに、
新人検査員向けの「NG判定基準ドキュメント」の下書きを作成してください。

【製品情報】
- 製品名：[例：アルミダイカスト筐体]
- 主なNG種類：[例：傷（1mm以上）、欠け、バリ（高さ0.5mm以上）、異物付着]
- 検査箇所：[例：外面4面・穴周辺・刻印面]
- 判定基準のグレー領域（現在あいまいなケース）：[例：加工痕かスクラッチかの区別]

以下を作成してください：
1. NG種類別の定義（一文で簡潔に）
2. OKとNGの境界ケースの説明と判断基準
3. 新人が迷いやすいポイントと判断のヒント
4. AIシステムに学習させる際のラベル付けルール案

使いどころ： AI学習用のラベル設計と、人への検査教育を同時に進めたいとき。

出力を検証する観点： 「グレー領域」の扱いが曖昧でないか、現場のベテランと一緒に照合する。

---

記事のまとめ

---

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 ↗

今日やること：30分でできる最初の三歩

ステップ１（10分）：今のラインの「最多NG種別」を紙1枚に書く

傷・欠け・汚れ・色ムラ・異物——何が一番多いか。ここを絞らずに導入を進めると、全部が中途半端になる。まず1種別に絞る。それがAIに最初に教えるターゲットになります。

ステップ２（10分）：スマートフォンで良品とNG品を同条件で10枚ずつ撮影する

照明の安定性を確認する最速の手段です。窓の外光が入る時間帯と入らない時間帯で、画像がどれだけ変わるか見てください。大きく変わるなら、照明の固定が最初の課題です。AI導入の前に解くべき問題がここにある。

ステップ３（10分）：キーエンスかオムロンの代理店に「デモを見たい」と連絡する

無料デモに応じているメーカー・代理店は多い。「まず試してから判断する」が最短かつ安全な意思決定です。自社ワークを持参して試験することで、「うちの現場に合うか」がはっきり見えてきます。この確認なしに稟議を通そうとしても、根拠が弱い。

---

編集長メモ：ヘリックス（執筆者について）

「AIが検査する」より「AIで人の目の穴を埋める」が正確だと思ってます。導入判断の整理にも、SIerへの相談準備にも使える記事にしたつもりです。照明設計の確認だけでも、今日から動けます。

▶ あわせて読みたい：物流 ai 活用事例の実務ガイド

▶ あわせて読みたい：外観検査 ai 比較の実務ガイド