外観検査AIの手法選び：現場で機能させる2026年実装ガイド

その「不良品流出」、午後2時の目が危なかった

午後2時15分。ライン脇の蛍光灯が白く滲んで見える。

8時間目の目視検査。手元のトレイに、150個目のワークが流れてくる。

「これ、大丈夫だよな」——判断が0.5秒遅れている。

それ、あなたのせいじゃないんです。

人間の目は構造として、午後になると検出精度が落ちる。疲労による誤差は午前比で最大10%。参考 意志力でどうにかなる話じゃない。

通説では「AI検査を入れれば解決」という話になるんですが、実はもう一段あります。

手法を間違えると「精度が出ない」どころか「再学習コストが膨らみ続ける沼」にはまります。

製造業のAI導入率は25.1%で全業種中2位、その筆頭用途が外観検査。参考 先行事例が増えてきた分、失敗パターンも蓄積されてきました。

この記事では、手法の選び方から撮像設計・データ収集・失敗パターンまでを整理します。

今日30分で、明日の打ち手が決まる手順でお届けします。

---

外観検査AIの3手法、現場の問いで選ぶ

外観検査AIは大きく3種類に分かれます。それぞれを「現場の問い」で整理しましょう。

① ルールベース検査

「傷が長さ0.5mm以上なら不良」「色差ΔE>3.0なら弾く」という閾値を人が設定する方式。参考 設計が固まれば高精度を出しやすい。ただし、製品仕様が変わるたびに再調整が必要で、1品種あたり数日〜数週間かかる場合もあります。参考

② CNN（畳み込みニューラルネットワーク）

良品・不良品の画像を大量に学習させて「パターン」を覚えさせる方式。最低ラインは良品500枚＋不良品500枚。参考 検査対象が定まっていて、不良サンプルが蓄積されている品種に向きます。より高精度なVision Transformer（ViT）は良品1,000枚＋不良品1,000枚以上が必要です。参考

③ 異常検知（One-class学習）

良品データだけで「正常の範囲」を覚えさせ、そこから外れたものを不良とする方式。不良サンプルが少ない立ち上げ初期や、不良パターンが多様な品種に強みがある。産業用ベンチマーク「MVTec AD」では最新手法がAUROC 93%以上を達成しています。参考

{CHART|bar|AIモデル別・最低必要学習データ枚数|CNN(良品),CNN(不良品),ViT(良品),ViT(不良品)|500,500,1000,1000|枚|https://jotsu.co.jp/news/20260410_ai_inspection.html|jotsu.co.jp}

出典: jotsu.co.jpのデータより匠座作成

どれを選ぶか、現場の状況に当てはめて判断できます。

主要ツールとして業界で名前が挙がるのは HACARUS・Keyence AI検査・Cognex ViDi・東芝 SATLYS・MENOU の5社。参考 ツール選びは「手法を決めた後」です。手法が定まる前に「どのツールがいいですか」と聞いても、適切な答えは返ってきません。

---

「精度が出ない」の壁は、たいてい照明とデータにある

精度の話になると「モデルを変えよう」という方向に行きがちです。

でも、実際に詰まる原因の多くは「入力の質」——撮像設計とデータにあります。

解像度は先に計算する

0.1mmの傷を検出したいなら、1ピクセルあたり0.05mm以下の分解能が必要です。参考

これはカメラを買う前に計算しておく話。ライン設置後に「解像度が足りなかった」は取り返しが難しい。

照明は波長で選ぶ

照明の種類と波長は、何を検出するかで変わります。

参考

予算が限られるなら、まず「何を検出したいか」から照明を1種類に絞る。

「精度を上げたいのに照明に原因があるとは思わなかった」——このズレが遅れると、モデルを入れ替えながら時間と費用を溶かし続けます。

データ不足の打ち手は2つ

「不良サンプルが50枚しか集まらない」——導入で最もよく聞く壁です。

ひとつは異常検知への切り替え。良品データだけで学習できるため、不良サンプルゼロでも始められます。

もうひとつは生成AI（GANまたは拡散モデル）による不良画像の生成。不良データ収集にかかる期間を「数か月から数週間」に短縮できる事例が報告されています。参考

ただし注意点があります。生成画像は「それっぽく見える」だけで、実際の現場で起こりうる不良と乖離している場合がある。生成後に品質エンジニアが「これは現実の不良として妥当か」を確認するレビューフローを必ず組み込んでください。

---

ここで、先日読んでいて唸った話をさせてください。

MVTec社が2025年に公開した新ベンチマーク「MVTec AD 2」の結果です。参考

従来の MVTec AD では最新の異常検知手法がAUROC 93%以上を達成。これが「AI検査は高精度」というイメージの根拠になっています。ところが MVTec AD 2 では、より実環境に近い条件での指標 AU-PRO@5% で、最先端手法でも31%にとどまった。

この落差が示しているのは「ベンチマーク条件と現場条件の差」です。

ベンダーが「精度95%」と言ったとき、それがどの条件での数字かを必ず確認する。それだけで、無駄なPoC（概念実証）を一回省けます。

---

「導入前」と「導入後」：朝7時の検査工程がこう変わった

典型的な変化を時刻で見てみます。架空の話ではなく、外観検査自動化に共通する構造です。

導入前の検査工程

• 07:00 ライン開始。2名体制で全数目視検査。
• 09:30 午前中は精度が高い。見落としは比較的少ない。
• 13:00 昼食後、集中力が落ち始める。
• 14:00〜16:00 疲労ピーク。人間の検出精度は午前比で最大10%低下。参考 ここが流出リスクの高い時間帯。
• 17:00 ライン終了。「今日は大丈夫だったか」の感覚だけが残る。

導入後の検査工程

• 07:00 AIカメラが起動。ライン開始と同時に全数チェックが始まる。
• 09:30 モニターに判定ログが流れる。担当者は「要確認フラグ」だけをレビュー。
• 14:00〜16:00 AIの精度は時刻に依存しない。担当者はアラートが鳴ったときだけ確認。
• 17:00 今日のNG率・不良傾向がレポートに出力されている。明日の品質改善に直接使える。

変わる本質は2つです。「全数検査が人でなくなること」と「品質データが蓄積されること」。

品質管理の重心が「今日の流出を防ぐ」から「明日のロスを減らす」へ移ります。

YOLO26（Ultralytics社、2026年最新版）はFP16/INT8量子化によりEdgeデバイスでのリアルタイム推論に対応。参考 クラウドに画像を送らずラインの横で即座に判定できる環境が、今は現実的なコストで手に入ります。

---

正直に言う：AI外観検査が失敗するパターン

万能じゃないことを先に言っておきます。

パターン1：撮像環境が整っていない状態でAIを入れる

照明がばらつく、カメラ解像度が不足している、ワーク位置ブレが大きい——この状態でどんな優れたモデルを使っても精度は出ません。AIの前に撮像設計の整備が先です。

パターン2：品種切替が多すぎる

週に10品種以上切り替わるラインでは、品種ごとにモデルを管理するコストが跳ね上がります。品種ごとにパラメータ調整できるルールベースのほうが扱いやすいケースもある。

パターン3：AIの判定を全部信じる運用にする

AIが「怪しい」と言ったら全部不良扱いにすると、過剰検知（正常品を不良と判定）が増えて現場が信頼しなくなります。しきい値を適切に設定して「要確認」と「明確な不良」を分けるフローが必要です。

そもそも向かない段階

• 品質基準が担当者の頭の中にしかなく、言語化されていない
• 撮像設備（カメラ・照明）への投資が難しい予算感
• 「これは不良か否か」で社内の意見が割れている

「AIを入れれば品質基準が不要になる」は誤解です。AIは品質基準を実装するための道具。基準が先、ツールが後です。

僕が匠座のAIパイプラインを運用していて感じるのも、これと同じことです。毎朝の記事自動生成で「品質ゲート」を組んでいますが、何をもって通過とするかの基準を曖昧にしたまま使うと、「何でも通過する」か「何も通過しない」かの二極に振れる。外観検査でも「何をもって不良とするか」の定義なしにAIだけ入れると、同じ問題が起きます。

---

よくある質問に先に答えます

Q1. 導入費用はいくらくらいですか？

カメラ・照明・PC・ソフトウェアを含めた初期費用の相場について、今回の一次情報シートには実数値が含まれていないため断言できません。複数ツールへの相見積もりを前提に動いてください。ツールによってはPoC（概念実証）を無償で提供している会社もあります。

Q2. 導入までどのくらいかかりますか？

標準的な導入フローは5段階——①検査要件定義→②撮像設計→③判定ロジック構築→④ライン組み込み→⑤検証とチューニング。参考 品種の複雑さや社内体制によって大きく変わるため、ステップ②撮像設計が終わった段階でベンダーに具体的なスケジュールを確認するのが現実的です。

Q3. 社内に画像処理の専門家がいなくてもできますか？

HACARUS・Keyence・MENOUなどのノーコード〜ローコードツールであれば、専門知識なしでの立ち上げは可能です。ただしモデルのチューニングや精度検証には「判断できる担当者」が必要。「完全に丸投げできる」は現実的ではありません。

Q4. 学習に使った画像データはベンダーに取られますか？

契約によります。工場の不良データは企業の機密情報になりえるため、データ所有権・非開示条件をSLA（サービスレベル契約）に明記することが重要。Edgeデバイス上でオンプレAIを動かす選択肢は、データを外部に出さないという観点でも有効です。

Q5. 既存の検査ラインに後付けできますか？

カメラと照明を追加設置するだけで済むケースが多いため、基本的には可能です。ただしコンベア速度・ワーク保持方法・スペース制約によって個別対応が必要です。「何を検出したいか」を定めてから設備担当と確認するのが正しい順序です。

---

---

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分でできる最初の3ステップ

ステップ1（10分）：検出対象を「言語化」する

「不良品の定義」を紙に書いてみてください。

「傷」ではなく「長さ0.5mm以上の傷」「塗装剥がれ面積◯mm²以上」まで落とせますか。

ここが曖昧なうちはAIどころかルールベースも機能しません。

ステップ2（10分）：不良サンプルの枚数を確認する

今すぐ品質データを開いて、過去6か月の不良品が何枚の画像として残っているかを数えてください。

CNNの最低ラインは500枚。参考 それ以下なら、異常検知か生成AIによる拡張から始める方針に切り替えます。

ステップ3（10分）：検査要件定義の叩き台をAIで作る

あなたは製造業の外観検査エンジニアです。
私の工場では以下の製品の外観検査を行っています。

【製品名・材質】[例：樹脂製ケース、ABS樹脂]
【検出したい不良の種類】[例：傷、欠け、色むら]
【現在の検査方法】[例：目視検査、1ライン2名体制]
【1日の検査数量】[例：5,000個/日]

これをAI外観検査システムに置き換えることを検討しています。
以下の観点で検査要件定義の叩き台を作成してください：
1. 各不良の検出基準（寸法・色差等）の具体化
2. 必要な画像解像度（例：0.1mm検出なら0.05mm/px以下）
3. 推奨する照明方式（同軸落射・バックライト・ローアングルから選択）
4. 推奨するAI手法（ルールベース・CNN・異常検知）とその理由
5. 概算で必要な学習データ枚数

使いどころ： SIerへの相見積もり依頼前。「何が欲しいか」を整理するための叩き台として。

出力を検証する観点： 解像度の計算（検出サイズの1/2以下のmm/px）が正しいか、手法の推奨理由が製品・データ状況に即しているかを確認する。

---

不良サンプルが少ない場合は、このプロンプトも使えます。

あなたは製造業向けデータ拡張の専門家です。
以下の状況で不良画像データを拡張するための手順を設計してください。

【現在の不良サンプル枚数】[例：50枚]
【不良の種類】[例：表面傷、エッジ欠け]
【目標枚数】[例：500枚以上]
【利用可能なGPU環境】[例：NVIDIA RTX 4090 または Google Colab]

具体的に以下を提案してください：
1. 基本的なデータ拡張の手順（回転・反転・ノイズ付加等）
2. GANまたは拡散モデルによる生成の具体的なアプローチ
3. 生成画像の品質検証方法（人間レビューの手順を含む）
4. 生成画像を含めた学習時の注意点

使いどころ： 不良サンプルが少なくてCNNが使えないとき。異常検知への切り替えを検討する前の一手として。

出力を検証する観点： 生成画像の品質検証フローが含まれているか、「実際に起こりうる不良か」を品質エンジニアがレビューするステップが明記されているかを確認する。

---

編集長メモ：ヘリックス（執筆者について）

手法の名前より先に「何を検出したいか」を言語化する。それだけでSIerとの打ち合わせが数段速くなります。この記事は、その言語化の地図として使ってください。

▶ 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）