外観検査AIソフトを選ぶ前に確認したい実装の急所【2026年版】

深夜2時、検索窓に「外観検査 ai ソフト」と打ち込んでいる。

比較サイトを3つ開いたけど、どれも同じ見出しで同じことが書いてある。

「精度が向上します」「人手不足を解消します」——そりゃそうだろ、と思いながら、ブラウザのタブが増えていく。

これ、あなたのせいじゃないんですよね。

世の中に出回っている「外観検査AI」の解説の多くが、ソフトの比較で終わっています。

でも現場でうまくいかない理由の大半は、ソフトを選ぶ前の段階——照明の設計、カメラの解像度、学習データの揃え方——にある。

この記事では、一次情報の数字だけを根拠にしながら、「明日どう動くか」まで落とし込みます。

補助金、モデル選定、よくある失敗、今日やること。全部まとめました。

---

「精度が出ない」の正体は、ソフトじゃなくて光だった

AI外観検査を導入して「精度が出なかった」という話、本当によく聞きます。

でも原因を調べると、ほぼ共通してひとつのことが出てくる——照明を甘く見ていた、と。

0.1mmの傷を検出したいなら、カメラの解像度は1ピクセルあたり0.05mm以下が必要です

参考。

これはカメラ選定の話ですが、解像度を確保しただけでは足りない。

光の当て方が悪ければ、傷がそもそも「見えない」んです。

光の種類と用途をまとめます。

参考

ソフトを選ぶより先に、「自社の検査対象にはどの照明が必要か」を決める。

それだけで、後のシステム設計がかなりシンプルになるんですよね。

カメラのインターフェースも同じ理屈で、静止物を撮るエリアカメラにはGigE Vision / USB3 Vision、ラインスキャンが必要な連続体の検査にはCamera Link / CoaXPressが使われます

参考。

これは「ソフトが対応しているか」より先に決まる仕様です。

照明とカメラの仕様が固まって初めて、ソフト選びのスタートラインに立てます。

---

品種変更のたびに"数週間"かかるなら、ルールベースの限界です

従来のルールベース画像処理、使っていますか？

「傷の長さ0.5mm以上」「色差ΔE>3.0」——この閾値を手動で設定して判定するシステムです

参考。

決して悪いシステムではありません。条件が安定していれば、精度も出る。

ただ、製品の仕様が変わるたびに、1品種あたり数日〜数週間の再調整が必要になります

参考。

多品種少量生産の現場では、これがじわじわ効いてくる。

担当者が変わると閾値の根拠が誰もわからなくなる。仕様変更のたびに外部に依頼が発生する。

気づけば「検査のたびにコストが膨らむ」という構造になっています。

AIに置き換える最大のメリットは、学習データさえ揃えれば品種変更への対応が速くなることです。

さらに最近は生成AI（GANや拡散モデル）で不良画像を人工的に増やす手法が広まっていて、

データ収集期間を数か月から数週間に短縮できる事例も出てきています

参考。

{CHART|bar|AI視覚検査システム市場規模の推移|2026年|2030年|368.4,852.4|億米ドル|https://koromo.io/blog/manufacturing-ai-visual-inspection/|The Business Research Company}

出典: The Business Research Companyのデータより匠座作成

グローバルのAI視覚検査市場は2026年に368.4億米ドル、2030年には852.4億米ドルへの拡大が予測されています。年平均成長率は23.3%

参考。

製造業がAIを検査に使い始めるのは、もはや「先進企業の話」ではないんですよね。

---

Before / After：深夜まで目視していたAさんと、ダッシュボードを眺めるBさん

架空の数字は使いません。でも、一次情報シートの事実を組み合わせると、こういうことが起きます。

導入前（Aさんの1日）

午前8時、ラインが動き始める。

Aさんは製品を1個ずつ手にとり、光に当てながら目視で確認する。

ベテランなら「なんとなく違和感」で不良を拾えるけど、午後3時を過ぎると集中力が落ちてくる。

夕方になると見逃しが増える。残業して補う。それが毎日続く。

導入後（Bさんの1日）

午前8時、ラインが動き始める。

カメラが自動で撮影し、AIがミリ秒単位で判定する。24時間365日、集中力は落ちない

参考。

Bさんはダッシュボードで不良率の推移を確認し、疑わしいと判定された製品だけを目で見る。

経済産業省の「2024年版ものづくり白書」は、製造業の人手不足を深刻と位置づけ、

デジタル技術を活用した省人化を喫緊の課題と明記しています

参考。

変わるのは「検査の精度」だけじゃない。

検査データが記録として残り、どの製品にどんな欠陥が多いのかを分析できるようになる。

これが次の製品設計や工程改善につながる——そこまで見越せるかどうかが、導入の成否を分けると思っています。

---

モデルは3系統、選び方は「何ミリを、何速度で」だけで決まる

ソフトを選ぶ段階に来たら、内部で使っているモデルの種類を確認します。

現在、外観検査AIに活用されている主な分類モデルはEfficientNet-V2・Vision Transformer（ViT）・ConvNeXt V2の3系統です

参考。

精度と推論速度のトレードオフが違うので、「何を検査するか」「どの速度が必要か」で選択肢が変わります。

物体検出モデルとして注目されているのがYOLO26（2026年最新版、Ultralytics）。

NMSフリー（Non-Maximum Suppression不要、つまり後処理なしで検出できる仕組み）のEnd-to-End推論に対応し、前世代比でmAP50-95が2〜3ポイント向上しています

参考。

FP16/INT8量子化（モデルを軽量化して小型デバイスで動かす技術）に対応しているので、ラインの端に置く小型PCでもリアルタイム推論が安定します。

精度の現在地については、正直に書きます。

産業画像のベンチマーク（性能評価用の標準データ）「MVTec AD」では、最新手法がAUROC 93%以上を達成しています。

ただし、より難易度が高い「MVTec AD 2」（2025年公開）では、最先端の手法でもAU-PRO@5%が31%にとどまっています

参考。

{CHART|bar|ベンチマーク別 検出精度（2025年最先端手法）|MVTec AD（AUROC）|MVTec AD 2（AU-PRO@5%）|93,31|%|https://www.optimax.co.jp/ai-information/visual-inspection-ai/|MVTec / arXiv 2025}

出典: MVTec / arXiv 2025のデータより匠座作成

先日、このMVTec AD 2のデータを読んでいて、正直唸りました。「AIの精度は90%超え」という売り文句をよく見かけますが、それは標準的なデータセットでの話です。複雑な形状や光沢面が混在する実際の製造現場では、まだ相当な余地がある。「導入すれば完璧に解決」という期待値は、この数字で一度リセットしておいたほうがいいと思っています

参考。

---

よくある質問に先に答えます

Q1. 費用はいくらかかりますか？

主要なAI外観検査メーカーの多くは、公式サイトで価格を公表していません

参考。

見積りを取る際は「ソフト費・ハード費・SIer構築費・学習データ構築費」を項目別に複数社から取得することを強く勧めます。

一括見積りだと比較できないし、どこにコストが集中しているか見えなくなるので。

Q2. 学習データはどのくらい必要ですか？

これが最もよくある誤解ポイントです。

GAN（敵対的生成ネットワーク）や拡散モデルを使った不良画像のデータ拡張で、収集期間を数か月から数週間に短縮できる手法が普及しています

参考。

PoC（概念実証）段階では少量データでも始められる製品が増えています。ただし、本番稼働に向けたデータ品質の管理は別の話です。

Q3. 特別なITスキルがないと使えませんか？

ソフト単体ならGUI操作だけで設定できるものもあります。

でも照明設計・カメラ設定・AIの学習データ管理を含むシステム全体で見ると、SIer（システムインテグレーター）の支援が必要なケースがほとんどです。「AI導入費用」の見積りにSIer費が含まれているか、必ず確認してください。

Q4. 補助金は使えますか？

使えます。2026年4月23日付で、中小企業省力化投資補助金のカタログに「AI外観検査用画像処理システム」カテゴリが追加されました

参考。

カタログ注文型なので、登録製品の中から選んで申請する形式です。詳細は事務局の公式サイトを確認してください。

Q5. 既存ラインに後付けできますか？

できるケースとできないケースがあります。

カメラを設置するスペース、照明の取り付け場所、既存PLCとの連携可否——この3点を先に調べておくと、ベンダーとの打ち合わせが格段にスムーズになります。

---

正直な限界：こういう工場には合わない

万能じゃないので、率直に書きます。

①不良品が年に数個しか出ない超高精度工程

データ拡張（GAN・拡散モデル）を使っても、現実から乖離した「偽の不良画像」が増えすぎるとモデルが実際の不良を見逃すリスクがあります。PoCで閾値の調整に相当な工数がかかる覚悟が必要です。

②製品の形状が毎回大きく変わる受注生産

品種変更のたびに学習データの更新が必要になります。ルールベースの閾値調整が数日〜数週間かかるのと同様に、AIも再学習コストがかかります。完全に解決するわけではありません。

③照明設計をSIerに丸投げして社内に知識がない場合

後で製品仕様が変わったとき、照明から見直す必要があるかどうか判断できる人が社内に一人もいないと、変更のたびに追加コストが発生し続けます。SIerに依頼するにしても、なぜその照明なのかの理由を必ず社内に残しておいてください。

匠座でも、毎朝の記事自動生成パイプラインに画像解析を組み込んでいます。最初の数週間は出力品質が不安定で、何度も「プロンプト設計」——いわば照明設計に相当する部分——を見直しました。AIシステムで「精度が出ない」と感じたとき、真っ先に疑うべきはモデルではなくインプットの質です。製造現場でも、自分たちのパイプラインでも、これは同じだと実感しています。

---

以下のプロンプトをそのままコピーして使ってください。

プロンプト①：照明設計の社内整理用

あなたは工場の外観検査システム設計者です。
以下の情報をもとに、照明選定の候補をまとめてください。

【検査対象製品】[例：金属プレス部品]
【検出したい欠陥の種類】[例：0.3mm以上の傷、打痕、変色]
【製品の表面状態】[例：光沢あり・マット・透明]
【ライン速度】[例：毎分60個]

出力形式：
- 推奨照明の種類と選定理由
- 推奨する波長（nm）
- カメラ解像度の最低要件（mm/pixel）
- 注意すべき点を1つ

使いどころ：SIerに依頼する前の「社内での仕様整理」に使う。

出力を検証する観点：「推奨波長」が上記の照明一覧表と整合しているか確認する。

プロンプト②：複数社への項目別見積もり比較シート生成用

AI外観検査システムの見積もりを複数社から取得するための比較シートを作成してください。

以下の項目をすべて含めてください：
- ソフトウェアライセンス費（初期・年間）
- カメラ・照明・PCなどのハードウェア費
- SIer構築費（設計・設置・調整・立ち上げ）
- 学習データ構築費（アノテーション作業含む）
- 保守・サポート費（年間）
- 品種変更時の再学習・再調整費用

出力形式：Markdownの表。各社の回答欄は空白のまま残す。

使いどころ：複数社の見積もりを横比較するとき。「一括費用」だけ提示してくるベンダーに、項目別の内訳を求めるときにも有効。

出力を検証する観点：「SIer構築費」と「学習データ構築費」が独立した行になっているか確認する。まとめて提示されたら内訳を要求すること。

---

今日やること、その前に全体の流れをまとめます

---

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分でここまで動けます

ステップ1（10分）：検査対象の仕様を1枚にまとめる

「何を検出したいか」「製品の表面状態」「ライン速度」の3点をA4一枚にまとめてみてください。

上のプロンプト①をChatGPTやClaudeに貼れば、叩き台を出してくれます。

これがなければ、どのベンダーに相談しても話が前に進みません。

ステップ2（10分）：中小企業省力化投資補助金のカタログを確認する

2026年4月23日に「AI外観検査用画像処理システム」カテゴリが追加されています

参考。

事務局の公式サイトで登録製品の一覧を確認して、検討対象を絞り込む。

申請タイミングを逃してから後悔するケースが多いので、早めに動いてください。

ステップ3（10分）：相見積もりのリスト3社を作る

上のプロンプト②で比較シートを出力して、各社に同じ項目で回答を求めます。

「ソフト費・ハード費・SIer費・データ費」を別々に出してもらうだけで、見積もりの比較精度が格段に上がります。

深夜にこれを読んでいるあなたへ。

明日の朝、まずステップ1だけやってみてください。それが始まりです。

---

編集長メモ：ヘリックス（執筆者について）

この記事は「ソフトを選ぶ前にやること」に絞って書いた。照明とカメラの仕様を先に固めると、ベンダーとの話が格段にスムーズになります。補助金カタログも、今すぐ確認する価値あり。

▶ あわせて読みたい：外観検査 ai 比較の実務ガイド

▶ あわせて読みたい：外観検査 ai カオス マップ 製造・建設の実務ガイド（2026-09）