🏗製造・建設

外観検査AIモデルの選び方：精度90%に届くデータ収集の現実

匠ヘリックス｜匠座編集長プロフィール2026-09-19

※本記事はアフィリエイト広告（PR）を含みます。

午後2時の検査ラインで、ベテランが見逃す傷の正体

午後2時。夏場の工場検査ブースに立って3時間が過ぎると、目が「慣れ」はじめます。

コンベアを流れるワークを見ているつもりで、もう見えていない。

でも、それはあなたのせいじゃないんですよ。

目視検査の検出精度は午前と午後で最大10%の差が生じます。参考ベテランであろうと、集中力は時間とともに落ちる。それは人間の生理として変えられないことです。

「じゃあAIを入れよう」となるのは自然な流れです。ただ、深夜に「外観検査 AI モデル」と検索した人がぶつかる最初の壁は、「どのモデルを使えばいいのか、どこにも明確に書いていない」という問題だと思っています。

CNNなのかViTなのか、YOLO26なのか。ツールはどこの何を選ぶのか。これを間違えると、何ヶ月もかけて集めた画像データが全部やり直しになります。

この記事では、モデルの選び方を実数字で整理します。必要な画像枚数、カメラ解像度の設計基準、国内外5社のツール比較まで、今夜30分で判断の土台を作れるように書きました。

---

CNNかViTかYOLO26か：モデルを間違えると画像収集がやり直しになる

AI外観検査に使われるモデルには、大きく3つの系統があります。どれを選ぶかで、集めるべき画像枚数も、必要な処理速度も変わります。

CNN（Convolutional Neural Network：畳み込みニューラルネットワーク）

外観検査の現場で長く使われてきた定番モデルです。局所的な特徴——キズ・欠け・変色——を捉えるのが得意で、比較的少ないデータから学習できます。学習に必要な画像は良品500枚＋不良品500枚以上、合計1,000枚から始められます。参考現場として、これが現実的なスタートラインです。

ViT（Vision Transformer：ビジョントランスフォーマー）

画像を小さなパッチに分割し、全体の文脈を読むモデル。複雑な不良形状や微細なパターンに強い分、必要なデータ量は良品1,000枚＋不良品1,000枚以上とCNNの倍かかります。参考精度を追求するなら有力な選択肢ですが、データ収集コストは覚悟が必要です。

YOLO26（Ultralytics、2026年最新版）

リアルタイム物体検出の代名詞的なモデル。2026年版はmAP50-95（精度評価指標の一種）で前世代比2〜3ポイント向上し、FP16/INT8量子化——モデルの計算を軽量化する技術——によりEdgeデバイス（ラインサイドのボード型PC等）でのリアルタイム推論に対応しています。参考ライン速度に合わせた高速判定が必要な現場に向いています。

{CHART|bar|モデル別・必要学習画像枚数（合計最低ライン）|CNN,ViT|1000,2000|枚|https://www.generativeai.tokyo/media/factory-ai-visual-inspection-2026/|generativeai.tokyo}

出典: generativeai.tokyoのデータより匠座作成

ここで見落としがちな盲点があります。モデルより先に決めないといけないのがカメラ解像度です。

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。参考これを満たさないカメラで撮った画像は、どんなモデルを使っても傷を映し切れません。「データ収集を始めたが、後でカメラごと交換することになった」という事態を避けるため、光学系の設計を最初に固めてください。

---

「製造・建設のAI導入チェックリスト＆プロンプト集」を無料配布中。

メール登録で、その場でご覧いただけます。週刊「業界AI深掘りレポート」(準備中)の先行案内もお送りします。

「4,000枚で精度90%」淀川製鋼所が教えてくれた本当のコスト

先日、淀川製鋼所がCECの「WiseImaging」を導入した事例を読んでいて、唸ったんですよ。参考

導入前（Aさんの1日）

8:00 ─ ラインに立ち、目視検査スタート。朝一は調子がいい
13:00 ─ 昼食後の眠気と午後の疲れで判断が揺れ始める
16:00 ─ 微細なキズを見逃しているかもしれない不安を抱えたまま、日報を書く

導入後（Bさんの1日）

8:00 ─ カメラがラインを監視し、AIがリアルタイムでNG判定を出す
13:00 ─ カメラもAIも疲れない。Bさんはアラートが出たワークだけを目視確認する
16:00 ─ NG率のトレンドがシステムから自動出力。次の改善ポイントが見えている

淀川製鋼所のケースで重要なのは、4,000枚超の画像学習によってNG分類精度90%に到達したという数字です。参考 CNNの最低ラインが1,000枚だとすると、実運用で高精度を出すにはその4倍以上のデータが必要だったということ。

「PoC（概念実証）では精度が出たのに、本番で落ちた」という話を現場でよく聞きます。多くの場合、PoCが管理された条件下で行われているためです。本番のラインに乗せると、照明の角度が違う、ワークの向きがブレる、表面に油膜がつく——そういった「揺れ」が一気に入ってきます。学習データにこの多様性が含まれていなければ、精度は確実に落ちます。

日立製作所の大みか事業所では、Google Cloud Visual Inspection AIを使ったPoCで不具合判別率100%を確認しています。参考 PoC成功の先に本番が待っている——この構造を最初から計画に入れて動くことが大切です。

---

「精度99%」を疑え：5社ツール比較とベンチマークの正体

国内外の主要ツールを整理します。各社の公式情報をもとに比較したものです。詳細スペックは最新の公式資料で必ず確認してください。参考

ツール	主な特徴	向いている現場
HACARUS	少量データからの学習に強い	多品種少量生産でデータが集まりにくい
Keyence AI検査	機器とセットで導入しやすい	既存ラインに手軽に追加したい
Cognex ViDi	欧米シェアが高い産業用AI検査	グローバル拠点との仕様標準化
東芝 SATLYS	大規模ライン向け国産システム	大手製造業・複数ライン統合
MENOU	クラウドベースで導入が軽い	中小企業・まずトライアルしたい

ツール比較のときに必ず押さえてほしいのが、ベンチマーク数値の読み方です。

産業画像の標準的なベンチマーク「MVTec AD」では、最新の異常検知手法がAUROC（曲線下面積：1に近いほど高精度）93%以上を達成しています。参考ところが2025年公開の「MVTec AD 2」——より現場の多様な条件を再現した難易度の高い新データセット——では、最先端手法でも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・最先端AI精度指標（2025-2026年）|MVTec AD（AUROC）,MVTec AD 2（AU-PRO@5%）|93,31|%|https://www.optimax.co.jp/ai-information/visual-inspection-ai/|MVTec／arXiv}

出典: optimax.co.jpのデータより匠座作成

「精度99%達成」という売り文句をよく見かけますが、どのデータセット・どの条件で測定したものかを必ず確認してください。現場の多様な条件を再現した最新ベンチマークでは、まだ31%という現実があります。

ツール選定前の要件整理に使えるプロンプトを置いておきます。

あなたは製造業向けAI外観検査の選定コンサルタントです。
以下の条件をもとに、最適なツール・モデルの選び方を教えてください。

【検査対象】[製品名・素材を記入]
【検出したい不良の種類】[キズ・欠け・変色・異物混入 など]
【検出したい最小サイズ】[例: 0.1mm]
【ライン速度】[例: 秒間3個]
【1日の生産量】[例: 10,000個]
【品種の数】[例: 30品種]
【現在のサンプル数】[例: 良品200枚・不良品30枚]
【社内のAI知識レベル】[例: ほぼゼロ／一部担当者が学習中]

質問：
1. 今の状況でまず優先すべき準備は何ですか？
2. CNN・ViT・YOLOのどれから検討すべきか、理由も含めて教えてください。
3. ベンダー選定で必ず確認すべき質問を3つ挙げてください。

使いどころ: ベンダーへのRFP（提案依頼書）作成前、社内稟議書を書く前の思考整理に。

出力を検証する観点: 「現在の不良品サンプルが不足しているため、データ収集の仕組みを先に作るべき」という趣旨の回答が出るはずです。出ない場合は「サンプルが少ない場合のリスク」を追加で聞いてみてください。

---

正直な限界：AI外観検査が向かない現場と失敗パターン

万能に語られがちなAI外観検査ですが、苦手なケースは確実にあります。率直に書きます。

向かない・難しい現場

品種切り替えが頻繁な現場。 ルールベースの画像処理は製品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です。参考 AIモデルも品種ごとにデータ収集と学習が必要で、品種が多いほど準備コストが膨らみます。

不良品が年に数個しか出ない現場。 CNNでも最低500枚の不良品画像が必要です。参考発生頻度が極端に低い不良は、データ収集だけで1〜2年かかる計算になることもあります。

照明が安定しない環境。 窓から自然光が入る、時間帯で影の向きが変わる——こういった環境では、学習データが撮影条件の変化に追いつかず、精度が安定しません。照明を固定した専用ブースが作れない現場は、まずその整備から始める必要があります。

よくある失敗パターン

僕自身、匠座のAIパイプライン——毎朝の記事自動生成と品質ゲートの運用——を組んでいるとき、同じ構造の失敗をしました。最初は少ないサンプルでロジックを組んで「動いた」と思っていたら、バリエーションが増えた途端に判定がブレ始めたんですよ。結局、パターンを網羅するまでサンプルを増やし直した。製造の外観検査でも、まったく同じことが起きます。

「PoC成功→本番失敗」の主な原因は、PoCと本番ラインの撮影条件の差と、学習データの多様性不足です。投資対効果を正直に見てから進めてください。

---

よくある質問に先に答えます

Q. 費用はどれくらいかかりますか？

クラウド型は初期費用が数十万円〜、ライン組み込み型は数百万〜数千万円まで幅があります。信頼できる費用相場の一次情報がないため具体的な数字の掲載は控えますが、「ツール費用」「カメラ・照明等の光学系費用」「データ収集人件費」の3本柱で見積もることが重要です。この3つを別々に見積もらないと、後で光学系費用が想定外に膨らみます。

Q. 導入までどれくらいかかりますか？

PoC（3〜6ヶ月）＋本番展開（3〜6ヶ月）が一般的なスケジュール感です。不良品の発生頻度が低い現場ではデータ収集がボトルネックになり、全体で1〜2年かかるケースもあります。

Q. AI知識がなくても運用できますか？

MENOUやKeyenceのように、クラウド型・機器一体型は現場オペレーターが判定を確認するだけで運用できる設計になっています。ただし「モデルの再学習が必要か判断する人」「カメラ・照明を調整できる人」は社内に最低1人必要です。

Q. 不良品サンプルが少ないときはどうすればいい？

短期的には「データ拡張」——画像を回転・反転・明度変更して水増しする技術——が使えます。ただし根本的には、現場で発生した不良をすべて撮影・保管する仕組みを先に作ることが重要です。撮影ボックスを1つ用意して照明と角度を固定するだけでも、データ品質は大きく変わります。

Q. 既存のルールベース検査との違いは何ですか？

ルールベースは人が「明るさがXX以上ならNG」と条件を設定します。製品仕様が変わるたびに条件を書き直す必要があり、1品種あたり数日〜数週間の再調整が発生します。参考 AIは学習データから条件を自動で獲得するため、品種変更への追従が比較的しやすいのが特徴です。

---

記事全体のまとめ

ステップ	一言で言うと	時間の目安
① 要件定義	何mmを・どの速度で・何品種検出するか数値化	1〜2週間
② 光学系設計	カメラ解像度（0.1mm→0.05mm/px以下）と照明を固定	2〜4週間
③ データ収集	CNN: 各500枚〜、ViT: 各1,000枚〜（実運用は4倍以上を想定）	1〜12ヶ月
④ モデル選択	CNN（定番）・ViT（高精度）・YOLO26（高速リアルタイム）から選択	1〜2週間
⑤ PoC	本番ラインの撮影条件を再現して検証	3〜6ヶ月
⑥ 本番展開	データの多様性を確保しながら精度を安定化	3〜6ヶ月

---

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

深夜にここまで読んでくれた方へ。明日から動くための最小セットを渡します。

ステップ1（10分）：手元の不良品画像を数える

今すぐ確認してほしいのは、不良品の写真が何枚あるかです。CNNなら不良品500枚が最低ライン。参考それに達していなければ、「ラインで不良が出たら必ず撮影する仕組み」を作ることが最初の仕事です。まず照明と角度を固定した撮影ボックスを1つ用意してみてください。

ステップ2（10分）：検出したい最小サイズを数値で決める

「何mmの傷を見つけたいか」を数値で決めてください。0.1mmを検出したいなら、現在のカメラが1ピクセル0.05mm以下の分解能を持っているか確認します。参考ここを確認せずにデータ収集を始めると、後でカメラごと交換する羽目になります。

ステップ3（10分）：以下のプロンプトをLLMに投げる

私は[あなたの業種・役職]です。
[製品名・素材]の外観検査をAI化することを検討しています。

現在の状況：
- 1日の生産量：[例: 10,000個]
- 検出したい不良と最小サイズ：[例: 表面キズ・0.1mm以上]
- 現在の不良品サンプル数：[例: 50枚]
- ライン速度：[例: 秒間5個]
- 品種の数：[例: 20品種]
- 社内のAI知識レベル：[例: ほぼゼロ]

教えてほしいこと：
1. 今の状況でAI外観検査の導入を進めるリスクと、まず解決すべき課題
2. CNN・ViT・YOLO系のどれが今の現場に合いそうか、理由も含めて
3. 最初にベンダーへ聞くべき質問を3つ

使いどころ: 社内で「AI外観検査を導入したい」と提案する前の自己チェックに。出てきた回答を見て、自社の準備不足がどこにあるか把握できます。

出力を検証する観点: 「現在のサンプル数では不十分。まずデータ収集の仕組みを作るべき」という指摘が出るはずです。出ない場合は「サンプルが少ないまま進めた場合のリスク」を追加で聞いてみてください。

製造業のAI導入率は25.1%で全業種中2位まで上がっています。参考競合の現場が動き始めているこのタイミングで、まず「今夜の判断材料を整える」ことが明日の一歩です。

---

編集長メモ：ヘリックス（執筆者について）

この記事はモデル比較よりデータ収集の設計が先、という順番で読んでほしい。ツールを選ぶ前に「何枚集められるか」「カメラ解像度は足りているか」を確認した現場が、結局いちばん早く精度を出せます。

▶ あわせて読みたい：外観検査 aiモデル製造・建設の実務ガイド（2026-09）

▶ あわせて読みたい：外観検査 ai 比較の実務ガイド