はじめに
AI外観検査の成否は、モデルの最高精度ではなく、何を欠陥とし、どの条件で撮影し、見逃しと過検出をどう扱い、判定後に製品をどう流すかで決まります。最初に検査業務の合格条件を固定し、一つの製品・一つの欠陥で人との比較を取ることが、導入の近道です。
NISTは製造業におけるAI活用として画像による検査と欠陥検知を挙げる一方、計測、物理モデル、AIを組み合わせ、機械や工程ごとに検証・更新する考え方も示しています。汎用モデルを入れるだけで品質保証が完成するわけではありません。
精度の前に決める五つの基準
1. 欠陥の定義
傷、汚れ、欠け、寸法ずれ、印字不良を一つの「不良」へまとめないことが重要です。種類ごとに、許容範囲、重大度、発生位置、処置を定義します。人の検査員同士で判定が分かれる欠陥は、AIの正解データも不安定になります。
2. 撮像条件
カメラ、レンズ、照明、距離、角度、搬送速度、背景を固定します。画像認識は、製品そのものだけでなく撮像環境の変化にも反応します。昼夜、ロット、表面材、設備振動など、実運用で変わる条件を試験に含めます。
3. 見逃しと過検出のコスト
見逃しは不良流出、過検出は良品廃棄と再検査につながります。両者の影響は同じではありません。重大欠陥は見逃しを抑え、軽微な外観差は人の再確認へ回すなど、欠陥ごとに基準を変えます。
4. 判定後の処置
検査結果が出た後、停止、排出、保留、再撮影、人の確認のどれを実行するか決めます。AIの画面に色を出すだけでは、品質工程に組み込まれません。設備制御とつなぐ場合は、誤判定時の解除方法も必要です。
5. 再学習と変更管理
製品仕様、材料、照明、カメラ、ライン条件が変われば、判定性能も変化します。モデル版、学習データ、評価セット、承認者、切戻し手順を管理し、変更前後を同じ評価条件で比較します。
導入を四段階で進める
段階1：人の判定を測る
既存検査員が同じ画像を判定し、一致率と迷う条件を確認します。AIの前に、品質基準の曖昧さを見つけます。
段階2：一製品・一欠陥で並走する
AIは判定だけを出し、製品の流れは変えません。人の結果、AIの結果、最終判定を同じIDで保存します。
段階3：再確認工程へ接続する
確信の高い良品と不良、判断保留を分け、保留だけ人が確認します。自動化率よりも、見逃しと再検査量のバランスを見ます。
段階4：設備制御へ限定接続する
評価期間を通じて基準を満たした欠陥だけ、自動排出や停止へ接続します。モデル変更時は再び並走評価へ戻します。
評価表に含める項目
| 項目 | 確認内容 |
|---|---|
| 欠陥別性能 | 欠陥ごとの見逃しと過検出 |
| 条件別性能 | ロット、時間帯、材料、撮像条件 |
| 業務影響 | 再検査時間、廃棄、ライン停止 |
| 追跡性 | 画像、判定、モデル版、最終処置 |
| 復旧性 | カメラ故障、モデル停止、手動切替 |
AI外観検査を単独で導入せず、製造業のAI導入を定着させる業務設計に沿って担当と例外処理を決めてください。設備状態から不良の兆候を捉える場合は、予知保全の運用設計ともデータを分けて管理します。
実行チェックリスト
- 欠陥を種類と重大度で分けた
- 撮像条件を作業標準へ記載した
- 人同士の判定差を確認した
- 見逃しと過検出のコストを定義した
- 判定保留時の再確認者が決まっている
- 画像と最終処置を同じIDで保存する
- モデル変更時の再評価と切戻しがある
- カメラ停止時に手動検査へ切り替えられる
まとめ
AI外観検査では、モデル精度の比較より先に、欠陥、撮像、誤判定コスト、処置、変更管理を決めます。一製品・一欠陥で人と並走し、保留の再確認から始めることで、品質保証を崩さず段階的に自動化できます。