2026.08.24 AI

外観検査の自動化とは？目視検査を置き換える工程設計としきい値の決め方を解説

外観検査の自動化でつまずく場所は、カメラでもAIモデルでもありません。検査員が頭の中で下していた合否判断を、機械が扱える数値の基準へ翻訳する工程です。ここを飛ばすと、見逃しは減っても良品を不良と判定する過検出が増え、再検査の人手が元より膨らみます。目視検査の見逃しが起きる原因の切り分け、未検出率と過検出率のトレードオフを金額で決める手順、既存ラインへの後付けとMES連携、PoCから本番への移行判定までを実装の解像度で整理しました。

まとめ｜外観検査の自動化で先に決める判定基準と工程分担という2点

自動化の成否は、装置を選ぶ前の2つの決めごとでほぼ確定します。

1つ目は判定基準の数値化。検査員が「これはNG」と言っていた境界を寸法・面積・輝度差・異常スコアのどれで表すかを決め、しきい値の位置を流出コストと再検査コストの比較で決めます。見逃しをゼロに寄せれば過検出が跳ね上がる。目標は「見逃しゼロ」ではなく「流出許容の水準と再検査工数の合計を最小にする点」に置いてください。

2つ目は工程分担。搬送・撮像・判定・仕分けの4工程のうち、どこまで機械へ渡すかを先に線引きします。判定だけ自動化して仕分けを人が担う構成でも、検査員1人あたりの処理数は変わる。全工程を機械へ渡す前提で見積もると、搬送機構の作り込みで費用が数倍になります。

この2点が決まってから装置構成の選定へ進みます。撮像系のハード設計は外観検査装置のカメラ・レンズ・照明の構成と選定基準で扱うため、本記事は判定基準と移行手順に絞ります。

目視検査を置き換える4工程｜搬送・撮像・判定・仕分けの分担と自動化の範囲

目視検査は、ワークを手に取り、目で見て、良否を決め、置き場所を分ける4動作で成り立ちます。自動化とは、これを搬送・撮像・判定・仕分けの機械工程へ置き換える作業です。4つを一括で渡す必要はありません。

搬送・撮像・判定・仕分けの4工程それぞれで自動化が止まりやすい箇所

止まる場所は工程ごとに決まっています。搬送で止まる原因は、ワークの姿勢が定まらないこと。柔らかい部品や不定形の成形品はコンベア上で向きが変わり、撮像位置への角度が毎回ずれます。撮像で止まる原因は、欠陥が画像に写っていないこと。透明部材のクラックや金属の微細な打痕は、照明の当て方を変えないと輝度差が出ません。

判定で止まる原因は、良品のばらつきが欠陥より大きいこと。鋳肌や木目のように表面が個体ごとに違う素材では、ルールベースの数値条件が良品側にも引っかかります。仕分けで止まるのは排出機構がタクトに間に合わない場合。判定が50ミリ秒でも、エアシリンダに200ミリ秒かかれば律速はそちらです。

着手の順は撮像から。ここで写っていない欠陥は、後段のアルゴリズムを替えても検出できません。

人の目に残す工程を決める判断軸｜NG品の再検査と最終確認の置き場所

全工程の無人化を初期目標に置くと、費用対効果が崩れます。実務で成立しやすいのは、機械が全数を一次判定し、NGと判定されたものだけを検査員が確認する二段構成です。この構成なら、検査員が見る個数は不良率と過検出率の合計まで下がります。不良率0.5％の工程で過検出率を2％に抑えられれば、検査員の負荷はおよそ40分の1になる計算です。

人へ残すのは、欠陥の種類を判別して工程へフィードバックする作業。傷がプレス由来か搬送由来かの切り分けは、判定モデルの出力だけでは決まりません。ここまで機械に任せる設計にすると、分類クラスの定義が終わらず開発が止まります。

目視検査の見逃しが起きる原因｜人起因と工程起因を分けて特定する手順

「見逃しが多いから自動化したい」という相談は、原因の切り分けをせずに始まりがちです。原因が工程側にあるなら、自動化しても見逃しは残る。着手前に、人起因と工程起因のどちらが支配的かを記録から特定してください。

疲労・基準のばらつき・照明環境という人起因の3要因と記録での確認法

人起因は3つに分かれます。1つ目は連続作業による判定精度の低下。検査開始からの経過時間と流出不良の発生時刻を突き合わせると、特定の時間帯に偏っているかどうかが出ます。2つ目は検査員間のばらつき。同じロットを2人に見せて判定一致率を測れば、基準の共有度が数値で出ます。一致率が90％を下回るなら、基準書の記述が判定を支えていない状態です。

3つ目は検査環境。検査台の照度と光源の角度が席ごとに違えば見え方が変わります。照度計で実測し、席ごとの差が2倍以上あれば環境要因を疑う。

検査基準書に書かれていない暗黙の合否基準が見逃しを生む構図の分解

基準書に「傷は0.3mm以下を可とする」と書いてあっても、現場では傷の位置や深さで判定を変えているケースが大半です。外周部の0.4mmは通し、中央の0.2mmは止める。この暗黙の運用が、検査員の入れ替わりや応援要員の投入で崩れ、見逃しと過剰廃棄の両方を生みます。

手順はこうです。過去の流出不良と社内不良の現物を並べ、基準書の条文と実際の判定を1件ずつ突き合わせる。条文で説明できない判定が出たら、その判定を分けている変数（位置・向き・光沢・下地の色）を書き出します。この一覧が、後の教師データの設計図になります。

自動化しても見逃しが残る条件｜撮像で写らない欠陥を切り分ける検証

着手前の検証は1つで足ります。過去の流出不良の現物を、想定する照明とカメラで撮ってみる。画像上で欠陥部と正常部の輝度差が出なければ、その欠陥は撮像条件を変えない限り自動判定できません。

典型は3つ。内部欠陥（巣・ボイド）は可視光では写らないため、X線や超音波の別手段になります。透明体の微細クラックは、透過照明か偏光を入れないと輝度差が出ません。極めて浅い打痕は、ローアングル照明で影を作らないと平坦部と区別できない。照明方式ごとの向き不向きは外観検査装置の照明設計の章に整理しています。

判定しきい値の設計手順｜未検出率と過検出率のトレードオフを数値で決める

自動化の判定は、最後は1つの数値としきい値の比較に落ちます。ルールベースなら傷の面積や寸法、良品学習型なら異常スコア。しきい値をどこに置くかが、導入後の運用工数を決めます。

混同行列で見逃しと過検出を数える｜未検出率と過検出率の定義と算出

判定結果は混同行列の4区分で数えます。不良を不良と判定＝TP、不良を良品と判定＝FN（見逃し）、良品を不良と判定＝FP（過検出）、良品を良品と判定＝TN。見逃し率（未検出率）は FN / (TP + FN)、過検出率は FP / (FP + TN) で計算します。

この2つを別々に出していないPoC報告書は、判定性能を語れていません。正解率（accuracy）だけを見ると、不良率0.5％の工程では全数を良品と判定するモデルでも99.5％になります。数える対象は、不良側と良品側で分母を分けた2つの率です。

区分	実際が不良	実際が良品
装置がNG判定	TP（検出成功）	FP（過検出）
装置がOK判定	FN（見逃し）	TN（正常通過）

しきい値を動かすと両者が逆方向に動く関係と運用点の決め方の手順

しきい値を厳しく（NG側へ）動かせば見逃しは減り、過検出は増えます。緩めれば逆。両方を同時に下げたいなら、しきい値ではなく撮像条件かモデルそのものを改善する話になります。

運用点は手順で決まります。PoCで集めた良品と不良品の判定スコアを、しきい値を細かく振って集計し、しきい値ごとの未検出率と過検出率の表を作る。次に、後述の金額換算で各点の年間コストを出し、合計が最小になる点を選ぶ。感覚で「厳しめに」と決めない。

良品学習型では、正常データの異常スコア分布から外れ値の位置を見て初期値を置きます。手法ごとのスコアの性質は異常検知の手法と仕組みの解説にまとめています。

流出コストと再検査コストから運用点を決める試算｜金額で線を引く方法

金額換算に必要な入力は4つ。年間生産数、不良率、流出1件あたりの損失額（返品対応・回収・信用毀損の見積り）、過検出1件あたりの処理費（再検査の人件費と廃棄の可能性）です。

年産100万個・不良率0.5％・流出1件10万円・過検出1件50円の工程で考えます。未検出率5％なら流出は年250件で2,500万円。過検出率1％なら再検査は年9,950件で約50万円。ここで未検出率を1％まで下げる代わりに過検出率が8％へ上がるなら、流出500万円・再検査398万円で合計は約898万円となり、前者の2,550万円より小さい。この比較を数点で回せば、運用点は自然に決まります。

品種切替と経時変化でしきい値がずれる場面の再設定タイミングの設計

しきい値は一度決めて終わりになりません。ずれる要因は2つあります。品種切替では、素材の色や表面粗さが変われば同じしきい値が別の意味になるため、品種ごとにレシピとして分けて保持します。切替時に人が数値を入力する運用にすると、入力ミスがそのまま流出につながる。

経時変化は、照明の光量低下、レンズやカバーガラスの汚れ、カメラの経年ドリフトで進みます。対策は基準ワークの定期撮像。始業時に同じ良品サンプルを撮り、異常スコアや輝度平均が管理幅から外れたら清掃・校正を促す仕組みを組み込みます。

限度見本と検査基準書のデジタル化｜暗黙の合否基準を教師データへ翻訳

判定基準の数値化は、限度見本という物理サンプルを画像とラベルの集合へ置き換える作業で、プロジェクトの実作業の大半を占めます。

限度見本の撮り直しから始める基準の可視化｜境界サンプルの集め方

手元の限度見本は、経年で色が変わっていたり、判定の根拠が担当者の記憶に残っていたりします。最初にやるのは本番と同じ撮像条件での撮り直し。良品の限度見本、不良の限度見本、中間の「判定が割れるサンプル」の3群を、複数の姿勢・位置で撮ります。

集めるべきは中間群です。明らかな良品と明らかな不良だけを学習させたモデルは、境界の性能が測れません。判定が割れるサンプルを30〜50点集め、そこでの一致率を評価の主指標に置いてください。この群が集まらない工程は、基準が言語化できていない状態です。

不良サンプルが集まらない現場での良品学習とアノテーション量の目安

不良率が0.1％を下回る工程では、教師あり学習に必要な不良画像が集まりません。この場合は良品学習型（正常データのみで学習し、再構成誤差や異常スコアで外れ値を検出する方式）へ振ります。必要なのは良品画像で、品種・ロット・照明条件のばらつきを含めて数百〜数千点が実務上の出発点です。不良サンプルが数枚しかない段階での分位点によるしきい値の仮置きと評価データの分け方は、画像検査における検査タスク別のアルゴリズム選定と精度評価の置き方で扱っています。

教師ありで進める場合、欠陥の種類ごとに数百点のアノテーション付き画像が目安になります。欠陥の位置と個数まで出したいなら、矩形やマスクでの領域指定が必要です。検出タスクの手法選択は物体検出の仕組みと代表手法の比較を参照してください。

アノテーションを外注するなら、前節の中間群を基準サンプルとして先に渡します。ルールベースとAI判定の切り分けはAI外観検査の仕組みと導入判断の解説で扱っています。

既存ラインへの後付け実装｜PLCトリガの受け方とMESへ渡すデータ設計

新設ラインより、稼働中のラインへの後付けのほうが制約は多くなります。停止できる時間が限られ、既設PLCの仕様が動かせないためです。

後付けで詰まる3箇所｜設置スペース・トリガ信号・停止時の逃がし運用

1つ目は設置スペース。カメラと照明の空間だけでなく、レンズの作動距離を確保できるかが効きます。距離が取れずに広角側へ寄せると、周辺部の歪みで寸法測定の精度が落ちる。

2つ目はトリガ信号。ワークが撮像位置に来た瞬間を装置へ知らせる信号が要ります。既設PLCから空き接点を1点もらえるか、無理なら光電センサを追加するかを、設計初期に確認してください。ここが後回しになると、撮像タイミングが定まらず判定がばらつきます。信号の受け方と結果の返し方の具体は外観検査装置のライン組込みの章に整理しました。

3つ目は装置停止時の運用。ラインごと止めるのか、素通しにして後工程で人が全数を見るのかを決めておきます。決めていない現場では、トラブルのたびに現場判断で素通しが発生し、記録も残りません。

MES・品質管理システムへ渡す項目｜ロット・判定・欠陥種別・画像の紐付け

検査装置は制御層に属し、そこから上位の製造実行システムへ実績を渡す構図になります。この階層関係は ISA-95 として整理され、国際規格 IEC 62264 に対応しています。MESはレベル3にあたり、装置側は判定結果を実績データとして供給する側です。

渡す項目は最低6つ。タイムスタンプ、機番・工程コード、ロット番号または個体シリアル、判定（OK・NG・再検査）、欠陥種別と測定値、画像ファイルの保存パスです。画像の実体はMESへ入れず、パスと識別子だけ渡してファイルはストレージに置くと、データ量の見積りが崩れません。

OPC UAとMQTTの使い分け｜工場ネットワークからデータを取り出す経路

上位へのデータ経路は主に2系統です。OPC UA は IEC 62541 として標準化された産業用の通信仕様で、機器の情報モデルを型付きで公開できるため、MESや上位アプリからのポーリング・購読に向きます。既設のSCADAやMESがOPC UAクライアントを持っているなら、こちらへ寄せるのが手戻りの少ない選択です。

MQTT は OASIS の標準仕様として公開され、v3.1.1 が ISO/IEC 20922 に対応します。ブローカを介した軽量なパブリッシュ・サブスクライブ型で、装置台数が多い場合やクラウド側の分析基盤へ送る場合に扱いやすい構成です。

両方を入れる必要はありません。既設システムとの接続はOPC UA、クラウドへの蓄積はMQTT、という分担にとどめ、制御系と情報系の境界にゲートウェイを1つ置く構成が実務では通りやすい。

PoCから本番ラインへの移行手順｜併走運転で移行可否を判定する基準

PoCで良い数字が出ても、本番ラインで同じ数字が出るとは限りません。PoCはオフラインの静止画、本番は搬送中の連続撮像という条件差があるためです。移行の可否は併走運転で決めます。

PoCで測る4指標｜未検出率・過検出率・処理時間・品種切替の所要時間

PoC報告書に入れる数値は4つ。未検出率と過検出率は前述の定義で別々に。処理時間は撮像から判定出力までの実測で、平均だけでなく最大値を取ります。平均80ミリ秒でも最大が400ミリ秒ならタクトに入りません。

4つ目が品種切替の所要時間。多品種の工程では、レシピ切替と初回ワークの確認に何分かかるかが稼働率を直撃します。切替が1回15分かかり、日に8回切り替えるなら、2時間が検査工程の停止時間として乗ってくる計算です。

人と機械の併走運転で判定差を集める期間の置き方と打ち切りの条件

併走運転とは、装置の判定と検査員の判定を同時に取り、両者が食い違った個体だけを記録・検証する運用です。目的は判定差の原因を潰すことにあり、期間は「食い違いの件数が集まるまで」で決めます。不良率0.5％の工程なら、判定差が50件たまるまで、というように件数で置くほうが確実です。

期間中は、食い違い1件ごとに原因を3分類します。撮像で写っていない（撮像起因）、しきい値の位置がずれている（判定起因）、検査員の判定が基準から外れている（基準起因）。基準起因が3割を超えるなら、装置の調整ではなく検査基準書の改訂へ戻ってください。

打ち切りの条件も先に決めます。撮像起因の食い違いが2週間減らないなら、しきい値の調整では収束しません。撮像条件の見直しへ差し戻す判断が要ります。

本番移行後に効く再学習の運用｜判定ログの蓄積とモデル更新の頻度

移行後に効くのは、判定ログを次の学習データへ回す仕組みです。NG判定された個体の画像と検査員の最終判定を対で保存しておけば、過検出だった個体は良品ラベル付きの学習データになります。この蓄積が回り始めると、過検出率は運用の中で下がります。

更新の頻度は、月次または品種追加時が実務的な単位です。日次で更新すると、変更のたびに検証が必要になり運用が回りません。更新の際は、固定の評価データセット（前述の中間群を含む）で更新前後の未検出率と過検出率を比較し、どちらかが悪化したら戻せる状態にしておきます。

自動化を見送るべき工程の条件｜投資が回収できない現場の型の見極め

すべての検査工程が自動化に向くわけではありません。見送るべき型は明確にある。条件を示して線を引きます。

見逃しゼロを目標に置く自動化が必ず失敗する理由と代わりに置く目標

「見逃しゼロ」を要件に置いたプロジェクトは失敗します。理由は前述のトレードオフ。未検出率を0に寄せるほど過検出率は跳ね上がり、NG判定された個体を人が全部見直す工程が生まれる。全数を人が見る状態へ戻るなら、装置の費用だけが増えた結果になります。

置くべき目標は2つの数値です。1つは流出許容の水準。抜取検査を続けてきた工程なら、JIS Z 9015-1（対応国際規格 ISO 2859-1）で運用してきた合格品質水準（AQL）が、そのまま許容水準の出発点になります。もう1つは再検査工数の上限。検査員1人が1日に確認できる個数から、許容できる過検出率の上限が逆算できます。

この2つを要件書に数値で書く。「見逃しは絶対に許されない」の文言のまま発注すると、受注側は過検出を犠牲にした設定を出すしかありません。

多品種少量・欠陥定義が動く工程で自動化を見送る判断の具体的な条件

見送りを勧める条件は3つ。1つ目は、1品種あたりの年間生産数が数百個規模で、品種が年に数十種類増える工程。品種ごとの基準サンプル収集と検証の工数が、検査そのものの工数を超えます。

2つ目は、顧客ごとに合否基準が違い、その基準が随時変わる工程。しきい値のレシピが顧客数×品種数に膨らみ、管理が破綻します。3つ目は、欠陥の定義が言語化できず、判定が割れるサンプルで検査員の一致率が7割を下回る工程。人の間で基準が共有できていないものを、機械が学習できる形にはできません。

自動化が回収できる工程の条件｜検査人数と稼働時間から出す損益分岐

逆に回収が見える条件も数値で置けます。目安は、同一品種の検査に1直あたり2名以上を専任で充てており、年間の検査人件費が装置費用の3分の1を超える工程。ここに、前述の流出コストの削減額が乗ります。

試算はこの形です。検査員2名×2直×年間250日の人件費を年約1,600万円と置き、二段構成で1名まで減らせるなら年約800万円の削減。装置と開発で2,000万円なら回収は2年半で、流出削減分が加われば2年を切ります。検査が兼任で0.5名分しかない工程では、削減額が小さく回収年数が10年規模へ伸びる。

撮像条件の検証から判定基準の設計、既存システムとの連携までを含めて相談したい場合は、画像認識AIモデル構築で工程設計の段階から対応しています。

よくある質問

自動化の検討段階で相談の多い質問を5つ挙げます。

目視検査を全部そのまま自動化に置き換えられますか？

そのままの置き換えは勧めません。実務で成立しやすいのは、機械が全数を一次判定し、NG判定されたものだけを検査員が確認する二段構成です。不良率0.5％の工程で過検出率を2％に抑えられれば、検査員が見る個数は全数のおよそ2.5％まで下がります。欠陥の原因工程を切り分ける作業と、ロット単位の出荷判定は人に残してください。

外観検査を自動化すると見逃しはゼロになりますか？

ゼロにはなりません。判定はしきい値との比較で決まり、厳しくすれば見逃しは減る代わりに良品を不良と判定する過検出が増えます。目標は見逃しゼロではなく、流出1件あたりの損失額と過検出1件あたりの再検査費を金額に換算し、合計が最小になる運用点を選ぶことに置いてください。撮像で写らない欠陥は、しきい値をいくら動かしても検出できません。

不良品の画像サンプルが少なくても自動化できますか？

できます。不良率が0.1％を下回る工程では、正常データのみで学習する良品学習型へ振ります。再構成誤差や異常スコアの分布にしきい値を置く方式で、必要なのは良品画像です。品種・ロット・照明条件のばらつきを含め数百〜数千点が出発点になります。判定が割れる中間サンプルを30〜50点集めておくと、評価の主指標として使えます。

既存の生産ラインに後から検査を追加できますか？

追加できます。確認する項目は3つです。カメラとレンズの作動距離を確保できる設置スペース、ワークが撮像位置に来たことを知らせるトリガ信号（既設PLCの空き接点か光電センサの追加）、そして検査装置が停止したときにラインを止めるか素通しにするかの運用ルールです。トリガ信号の確保が後回しになると撮像タイミングが定まらず、判定が安定しません。

PoCから本番ラインへの移行にはどれくらいかかりますか？

期間ではなく件数で区切るのが確実です。PoCの後、装置と検査員の判定を同時に取る併走運転を行い、両者が食い違った個体が50件たまるまで続けます。食い違いを撮像起因・判定起因・基準起因の3つに分類し、基準起因が3割を超えるなら検査基準書の改訂へ戻ります。撮像起因の食い違いが2週間減らない場合は、しきい値調整では収束しないため撮像条件の見直しへ差し戻してください。