外観検査 aiモデル 製造・建設の実務ガイド（2026-09）

ai.tokyo/media/factory-ai-visual-inspection-2026/)。具体的な金額は必ず各社に見積もりを取ってください。

Q2. 学習データが少ない場合はどうすればいいですか？

GAN（敵対的生成ネットワーク）や拡散モデルを使った合成データ拡張が有効です。収集期間を「数か月」から「数週間」に短縮した事例があります参考。また、異常検知（Anomaly Detection）は正常品だけで学習できるため、不良品画像がほぼゼロでもスタートできます。

Q3. 既存のPLC・生産管理システムと繋げられますか？

AI外観検査システムの本番運用にはPLCとの連携が必要で、不良品排出・設備停止・アラート通知などの自動制御に接続されます参考。ただし連携設計は現場のPLC仕様によって異なるため、ベンダーとSIer（システムインテグレーター）の三者で事前確認が必要です。ここを後回しにすると、本番直前に発覚して大変なことになります。

Q4. 製品仕様が変わるたびに再学習が必要ですか？

従来のルールベース処理では品種変更のたびに数日〜数週間の再調整が必要でした参考。AIモデルはファインチューニング（追加学習）で再調整コストを下げられるケースがあります。品種変更頻度が高い現場では、再学習コストを事前の費用見積もりに含めることが重要です。

Q5. AIを入れたら検査員は不要になりますか？

なりません——2026年時点では。AIは「高速・安定したスクリーニング」が得意で、「見たことのない不良パターンの最終判断」や「例外処理」は人間が担います。検査員の役割が「目で探す」から「AIを管理・判断する」に変わる、というのが実態に近いです。

---

正直な限界——AIが向かないケースと、僕が学んだ罠

少しだけ自分の話をさせてください。

匠座では毎朝、AIパイプラインが業界ニュースを収集・要約・品質チェックして記事草案を生成する仕組みを運用しています。

このパイプラインを構築した初期に「ベンチマーク精度を上げることに夢中になっていた」という失敗をしました。

モデルのスコアを改善しても、実際の品質ゲートで落ちる案件が続出したんです。

追ってみたら「評価データが本番入力と全然違う種類のテキストだった」というオチで。

外観検査のAIモデルも、まったく同じ罠があります。デモ環境の精度と、自社のカメラ・照明・製品での精度は確実にズレる。

「自社環境でのPoCを省かない」——これだけは絶対に守ってほしいです。

AIが向かないケース

• 不良パターンが毎週変わる現場：新製品開発ラインや多品種少量受注では、AIは「学習済みのパターン」しか検出できません。ルールベース処理が向いている局面は、今もあります。
• 1品種の生産数が極端に少ない：月産100個の製品でCNNの学習をしようとすると、良品500枚を集めるだけで年単位かかることがある。費用対効果が合わない可能性が高いです。
• 屋外・照明変化が激しい環境：四国電力・首都高・九州電力がそれぞれ配電設備・道路・ダムのAI外観検査を実施している事例はあります参考が、これらはインフラ点検の文脈で独自の前処理設計が伴っています。同じ手法をそのまま流用しようとすると失敗します。

よくある失敗パターン（3大あるある）

• カメラをベンダーに丸投げして分解能不足（0.1mm検出には1px=0.05mm以下が必要参考）
• PLCとの連携設計を後回しにして、本番直前に発覚
• ベンチマーク精度だけ見てPoCを承認したら、本番環境で使い物にならなかった

---

外観検査AI導入 全体ステップまとめ

---

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3ステップ

ステップ1（10分）：自社の「検出したい不良リスト」を書き出す

「0.1mmのキズ」「はんだの浮き」「印字のかすれ」——種類と最小サイズを箇条書きにするだけでOKです。

これが来週のベンダー商談を10倍具体的にする地図になります。

ステップ2（10分）：このプロンプトで検査仕様を整理する

あなたはAI外観検査システムの導入支援コンサルタントです。
以下の情報をもとに、最適なAIモデルの種類（画像分類・物体検出・異常検知）を提案し、
必要な学習データ枚数・カメラ分解能の目安・導入時の主な注意点を具体的に教えてください。

【製品名/品種】:[製品名を入力]
【検出したい不良の種類】:[例：傷・汚れ・はんだ浮き・印字かすれ]
【不良の最小サイズ】:[例：0.1mm]
【1日の検査数量】:[例：2,000個/日]
【不良発生率の目安】:[例：0.5%]
【現在の検査方法】:[例：ベテラン検査員による目視]
【既存設備（PLC・カメラ等）の状況】:[例：三菱PLC導入済み、カメラは未選定]

使いどころ：社内稟議の要件整理や、ベンダーへの問い合わせ前の事前準備に使えます。

出力を検証する観点：提案されたモデル種別が「不良発生率」「保有データ量」の実情と合っているか確認する。CNNは各500枚・ViTは各1,000枚という目安と照らし合わせてください。

ステップ3（10分）：国内5社ツールの比較表を作る

以下の5つのAI外観検査ツールについて、
得意な不良種別・学習データの要件・エッジデバイス対応・
PLC連携の対応状況を比較表にまとめてください。

対象ツール：
1. HACARUS
2. Keyence AI検査
3. Cognex ViDi
4. 東芝 SATLYS
5. MENOU

比較軸：
- 得意な検査タスク（分類 / 物体検出 / 異常検知）
- 学習データの最低ライン（良品・不良品の枚数）
- エッジデバイス対応（◎ / ○ / △）
- PLC連携対応（◎ / ○ / △）
- 主な導入先業種

使いどころ：ベンダー選定の最初の地図づくりに。情報が古い場合があるため、各社の公式サイトで要確認。

出力を検証する観点：AIが生成した比較表は各社の公式情報と照合する。価格・学習仕様は更新が速い領域です。

---

今夜の検索が、明日の現場を変える第一歩になれば嬉しいです。

まず「検出したい不良リスト」を1枚のメモに——それだけで、来週のベンダー商談が変わります。

編集長メモ：ヘリックス（執筆者について）

精度ベンチマークはあくまで「選定の参考値」です。本番精度は自社のカメラ・照明・製品環境でのPoCでしか分かりません。まずカメラ分解能と不良データ量を確認してから動き出すと、遠回りが減ります。

▶ あわせて読みたい：外観検査AIって本当に自作できるの？現場で試した手順と限界

▶ あわせて読みたい：外観検査 ai 比較の実務ガイド