外観検査AIの事例6選|精度・費用の目安と失敗しない進め方

外観検査AIの事例6選|精度・費用の目安と失敗しない進め方

記事の要約

  • 外観検査AIとは、製品の画像をAIが判定し、キズや異物などの不良を見つける仕組みです。
  • 精度は正解率ではなく、不良を良品とする「見逃し率」と、良品を不良とする「過検出率」の2つで評価します。
  • 良品率が高い工程では不良画像が集まらないため、良品学習で不良画像なしに始め、データ拡張で学習データを補い、評価には加工していない実際の不良画像を残します。

「目視検査の担当者が集まらない」「自動検査機が弾いた品を、結局人が見直している」。品質管理や生産技術の現場で、外観検査AIを検討するきっかけになりやすい悩みです。

本記事では、外観検査AIの事例6件を各社の公式発表から取り上げ、詰まった点と変えた点を整理します。

東京大学松尾研発のAIスタートアップとして製薬・製造業のAI開発やPoC(=本番前に小さく行う技術検証)を手がける弊社が、その支援で得た見方も添えています。自社の検査工程に合う精度の合格ラインの置き方と、見積もりの読み方が分かります。

外観検査AIとは?目視と従来の画像処理が限界を迎える理由

外観検査AIとは?目視と従来の画像処理が限界を迎える理由の解説図

外観検査AIとは、製品画像から良品らしさ、または良品と不良品の違いを学習して判定する仕組みです。人が決めた数値ルールで判定する従来の画像処理とは、基準の作り方が異なります。

目視検査の課題は、判定が検査員の経験と集中力に左右されることです。同じキズでも人や時間帯で判断が分かれ、ベテランの確保も難しくなっています。

従来の画像処理は、反射や個体差のようにルール化しにくい見え方に弱い面があります。見逃しを恐れて基準を厳しくすると良品まで弾き、人が再検査する二重の工程が生まれます。

このため外観検査AIは、目視の全面置き換えより、再検査と判定のばらつきを減らす道具として検討すると成果を測りやすくなります。全面置き換えを狙うと、見逃しゼロを求めて過検出が増えるためです。

製造業全体での使いどころは「製造業のAI・生成AI活用事例|失敗しない導入とROIの考え方」で整理しています。

外観検査AIの導入事例6選|詰まった点と変えた点

外観検査AIの導入事例6選|詰まった点と変えた点の解説図

外観検査AIの事例は、ダイハツ工業(自動車部品)、NEC(納入先は自動車製造関連の工場)、福島芝浦電子(電子部品)、ニチレイフーズ(食品)、武田薬品工業(医薬品)、東京製鐵(鉄鋼)の6件です。

業種ごとに「何が見えにくかったか」が異なり、変えた点も撮像・学習・運用のどこかに分かれます。

自社の課題に近い型から読みます。写らないなら撮像を変える型(事例4・5)、再検査や停止が多いならAIで過検出を減らす型(事例2・3)、人によって判定が割れるなら基準をAIに学ばせる型(事例1・6)です。

型を取り違えると、学習をやり直しても直りません。写っていない違いは、画像を足しても学べないためです。

1. ダイハツ工業(自動車部品):加工穴内部のキズ検査をAIで自動化

ダイハツ工業は、滋賀(竜王)工場のアルミ加工ラインに、トランスミッション用部品の加工穴内部のキズを調べるAI検査を導入したと2026年6月に発表しました。VRAIN Solutionとの共同開発です。

課題は、0.1mm程度の差が品質を左右するのに、キズの種類と場所がばらつく点でした。作業者の経験に頼り、安定した判定手法が確立できていませんでした。

この型では、数値ルールに書き切れないキズの違いを、実例の画像から学ばせます。ダイハツ工業は効果の数値を公表しておらず、他部品への展開を予定しています。

2. NEC:自動車関連工場で過検出を抑え、ライン停止時間を10%以上削減

NECは、住友商事グループ会社の自動車製造関連工場に外観検査システムを納入したと2023年8月に発表しました。中間製品の検査ラインは、欠陥の疑いを検知するたびに止まり、専任スタッフが目視確認していました。

既存ラインに影響しない位置にカメラを追加し、全4ラインに導入した結果、過検出を大幅に抑え、ライン停止時間を10%以上削減しました。止まる検査ラインでは、過検出がそのまま稼働の損失になることを示す事例です。

3. 福島芝浦電子(電子部品):サーミスタ素子の検査で83%以上の省力化

福島芝浦電子は、全製品を顕微鏡で目視検査していました。従来の画像処理はガラスの反射や個体差に対応しきれず、見逃しを防ぐため基準を厳しくした結果、約30%が再検査に回っていました。

2021年から日本IBMと協業してディープラーニングのモデルを開発し、2024年10月に1号機が本番稼働しました。83%以上の省力化と24時間の安定稼働を実現し、モデルの開発と運用も内製化しています。

この型では、厳しい基準で弾かれた品の大半が良品のため、AIが再分類すれば人の再検査を減らせます。

4. ニチレイフーズ(食品):分光カメラとAIで透明な異物を検知

ニチレイフーズは2026年8月、船橋工場の原材料受け入れ工程に、分光カメラ(=光を波長ごとに分けて撮るカメラ)とAIによる異物検査装置を導入しました。課題は、カラーカメラでは原料と透明プラスチック片を見分けにくい点です。

短波長赤外(SWIR)のセンサーで4つの波長帯を捉え、判定にはシブヤ精機の装置と自社のAI技術を使っています。効果の数値は非公表で、人の検査を置き換えずに体制を強化する位置付けです。

この型では、色が同じに見えても素材ごとに写り方が変わる波長帯で撮り、異物を写し分けます。

5. 武田薬品工業(医薬品):包装ラインの残留物確認を30分ほどから約10分に

武田薬品工業は光工場の包装施設に、自動ラインクリアランスを導入しました。製品そのものの検査ではなく、品目の切り替え時に包装ラインに残留物がないかを確かめる検査です。

従来は人がカバーを開けてのぞき込み、30分ほどかけていました。360°カメラとレーザーセンサーで確認し、画像データをAIで解析する仕組みで、確認は全体で約10分に短縮されています。カメラを増やすほど処理が遅くなるため、配置と台数を絞り込んでいます。

6. 東京製鐵(鉄鋼):H形鋼の疵検査にAI判定を加え、目視の負担を軽減

東京製鐵は九州工場の圧延ラインで、H形鋼の疵(キズ)を目視で検査していました。2021年8月からYE DIGITALの「MMEye」を検証し、まず疵の種類を絞って検知できるかを確かめています。

次に、追加学習で検知精度を高めた新しい判定モデルを構築し、2023年4月に本格運用を始めました。数値は非公表ですが、AI判定と目視の併用で作業負担が軽減されたとしています。

この型では、対象を絞って始めると、検知できない原因が撮像か基準かを見分けやすくなります。

参照元:ダイハツ工業「ニュースリリース」(2026年6月)/NEC「プレスリリース」(2023年8月)/日本IBM「ニュースリリース」(2025年11月)/ニチレイフーズ「お知らせ」(2026年8月)/武田薬品工業「ALC挑戦への想い」(2025年5月)/YE DIGITAL「ニュースリリース」(2023年10月)

外観検査AIの精度と費用の目安

外観検査AIの精度と費用の目安の解説図

外観検査AIの目安は、精度なら「見逃し率」と「過検出率」を個数に直して決め、費用なら5項目の内訳で読みます。合格ラインも金額も、工程ごとの条件で変わるためです。

見逃しは顧客への流出によるクレームや回収、過検出は再検査や廃棄、ライン停止という別々の損失につながるため、どちらを重く見るかで合格ラインも変わります。

見逃し率と過検出率は分母が違う

見逃し率とは、実際の不良品のうち、AIが良品と判定した割合で、分母は不良品の数です。過検出率とは、実際の良品のうち、AIが不良と判定した割合です。全検査数を分母にする場合もあるため、比べる前に定義を確かめます。

正解率だけでは判断を誤ります。不良率1%の工程では、すべて良品と答えるAIでも正解率は99%ですが、見逃し率は100%です。

2つの率は、しきい値(=不良とみなす境目)を動かすと反対に動きます。合格ラインは、見逃し率の上限を先に決め、その範囲で過検出率を下げる順で置きます。

たとえば1日1万個・不良率0.5%と仮定すると、不良は50個です。見逃し率2%で1日1個が流出し、過検出率5%で約500個が再検査に回るため、合格ラインは率ではなく個数に直して置きます。

福島芝浦電子は、誤判定率が高かった不良モードについては、既存装置の判定基準を安全側に調整したうえでAIが再分類する構成にしました。

PoCでの基準の置き方は「PoC評価指標の決め方|成功基準・KPI例と3層モデル2026」で解説しています。

費用は撮像・データ・PoC・導入・保守に分かれる

外観検査AIの費用は、撮像機材・学習データ作成・PoC・本番導入・保守の5つに分かれます。ライン組込み型は個別見積もりとする提供企業が多く見られ、費用は撮像条件と品種数で大きく変わります。

費用の項目主な中身費用が膨らむ条件かかり方
撮像機材カメラ・レンズ・照明・治具微小な欠陥、反射や透明な対象一度きり
学習データ作成撮影・不良画像の収集・ラベル付け不良の種類が多い、基準が人で違う品種を足すたび
PoC撮像検証・モデル作成・精度評価対象の品種が多い一度きり
本番導入ライン組込み・装置連携・確認画面既存設備との連携、停止制御一度きり
保守・再学習品種追加や環境変化への再学習品種の入れ替えが多い毎年

事例4・5のように、撮像機材の選定が、精度と費用の両方を決めます。このため見積もりでは、撮像機材を先に確定させます。

比べるときは「1ライン・1品種あたり」にそろえ、一度きりの費用と、品種を足すたび・毎年かかる費用を分けて読みます。

補助金を含む投資の考え方は「製造業の自動化を成功に導く!AI導入のメリットと費用・補助金まで徹底解説」をご覧ください。

不良品が少ない問題|良品学習とデータ拡張で不足を補う

不良品が少ない問題|良品学習とデータ拡張で不足を補うの解説図

外観検査AIで時間がかかりやすいのは、学習データの準備です。良品率が高い工程ほど不良画像が集まらないため、集め方を設計しないとPoCが進みません。

福島芝浦電子では良品率が99%以上で、不良モードは20種近くありました。総数100万枚以上の画像を目視で確認し、不良モードごとに人手で選び出しています。

良品学習は未知の不良に強いが、過検出が増えやすい

良品学習とは、良品の画像だけを学び、良品から外れたものを異常とする方式です。不良画像がほとんどなくても始められ、見たことのない不良にも反応できます。

一方で、色むらや個体差も「外れ」と見なすため、過検出が増えやすくなります。良品学習で一次選別し、少数の不良画像で種類を分ける二段構えにすると弱点を補えます。

手法の比較は「異常検知AIとは?手法の比較・導入事例5社と失敗しない進め方」で解説しています。

データ拡張は学習用に使い、評価には実画像を残す

データ拡張とは、手元の画像を回転・反転・明るさ変更などで加工して増やす手法です。サンプル画像を自動生成して画像収集の時間を短くする機能を備えた製品もあります(YE DIGITAL「MMEye」)。

ただし、現実に起こらない見え方まで学ぶと精度が落ちます。評価には加工していない実際の不良画像を残すことで、本番に近い見逃し率を測れます。

福島芝浦電子と日本IBMのチームは、集める画像のバリエーションを手書きの図にして、認識をそろえました。

参照元:日本IBM「サーミスタ外観検査の完全自動化実現へ」(2025年)/YE DIGITAL「MMEye」(2026年11月閲覧)

外観検査AIの失敗例と導入の進め方

外観検査AIの失敗例と導入の進め方の解説図

6件の事例から見ると、外観検査AIの失敗の原因はAIの性能より、撮像・判定基準・運用の設計にあります。

失敗例起きること防ぎ方
撮像を決めずに学習を始める反射や透明物が写らず精度が頭打ち照明・波長・カメラ位置を先に検証
判定基準が検査員ごとに違う正解ラベルがぶれ、学習が安定しない限度見本を作り、基準をそろえる
正解率だけでPoCを評価する見逃しや過検出の実害が見えない2つの率で合格ラインを置く
品種の追加を想定しない品種が変わるたびに外注が必要再学習を社内で行う体制を作る

見落とされやすいのは判定基準のぶれです。AIは人が付けたラベル(=画像ごとの良否の判定結果)を正解として学ぶため、検査員ごとに基準が違うと、AIの判定もぶれます。現場では、同じ品に違うラベルが付き、学習のたびに判定が変わる形で現れます。

東京製鐵がベテラン検査員の判定基準をAIに学ばせたように、誰の基準を正解とするかを先に決めます。

進め方は、撮像検証、データ収集と基準合わせ、PoCでの2つの率の評価、目視との並行運用、本番の順が基本です。並行運用を飛ばすと、想定外の過検出に気づけません。品種の多い工場では、再学習を社内で行う体制まで計画に含めます。

このように、外観検査AIの成否は撮像・判定基準・運用の設計で分かれます。現場の画像で判定が成り立つかを小さく確かめる段階を支援するため、弊社はAI PoCサービス「ココロミ」(スリムプラン月々99万円〜・スタンダードプラン月々250万円〜)を提供しています。

外観検査AIに関するよくある質問

外観検査AIに関するよくある質問

Q. 既存の画像検査装置を入れ替える必要はありますか?

入れ替えずに組み合わせる方法があります。福島芝浦電子とNECの事例は、既存の装置やラインを残したままAIやカメラを足しています。

Q. 学習用の画像は何枚くらい必要ですか?

品種・不良の種類・撮像条件で変わるため、一律の枚数はありません。まず手元の不良品サンプルを種類別に数えます。

Q. 見逃し率ゼロは目指せますか?

評価データでゼロでも、学習時に無かった不良が本番で現れる可能性は残ります。人による確認や抜き取り検査と組み合わせ、見つかった不良は再学習に回す設計が現実的です。

Q. 医薬品の工場で使うときの注意点は何ですか?

医薬品の製造では、検査に使うシステムの検証(バリデーション)と変更管理の手順が求められます。武田薬品工業は、実機での試行錯誤が異種混入のリスクになるため、別室の模擬環境で検証しました。

まとめ

まとめ

本記事の要点は次のとおりです。

  • 外観検査AIは、目視の置き換えより再検査と判定のばらつきを減らす道具として検討すると成果を測りやすい
  • 精度は見逃し率の上限を先に決め、その範囲で過検出率を下げる順で評価する
  • 不良品が少ない工程では良品学習とデータ拡張を使い、評価には加工していない実画像を残す

自社の検査工程にAIが合うか確かめたい段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。

外観検査AIを、現場の画像で小さく検証しませんか

AI PoCサービス「ココロミ」はスリムプラン月々99万円〜・スタンダードプラン月々250万円〜の月額制です。まずは無料相談からどうぞ。

一覧に戻る

まずはお気軽にご相談ください

お問い合わせはこちら