AI外観検査は、どこまで効くのか。

1. 2つの方式 — 教師あり分類と教師なし異常検知

AI 外観検査は大きく 2 方式に分かれます。

教師なし異常検知は、正常品の見え方だけを学習し、そこから外れたものを異常として検出します。欠陥クラスは事前に未知でよく、モード数に上限がない。欠陥サンプルが集めにくい／欠陥の型が多様な現場で、正常品だけで立ち上げられるのが構造上の利点です（AUPIMO 論文）。代表手法の PatchCore は正常画像の CNN パッチ特徴をメモリバンクに保持して一致度で異常を局在化し、EfficientAD は student-teacher 蒸留と軽量オートエンコーダで GPU 約2ms／600fps を報告しています（EfficientAD・WACV 2024）。

教師あり分類は、欠陥の種類が有限で、不良の種別判定まで求める場合に使います。VDI/VDE/VDMA 2632 Blatt 3 が分類型マシンビジョンの受入試験を規定しています。

仕様が明確で決定論的に書ける検査（寸法・有無）はルールベース計測、微細・多様・文脈依存の欠陥は深層学習、という境界もあります。ルールベースで位置決めし、深層学習で欠陥判定するハイブリッド構成も一般的です。

※ 学習に要する枚数の参照値として、MVTec AD ベンチマークの学習用正常画像はカテゴリあたり60〜320枚です（CVPR 2019）。教師あり分類の「欠陥クラスあたり最小枚数」は、規格・査読由来の一次数値を確認できていないため本稿では示しません。

2. 精度指標の読み方 — 高スコアは実用性能ではない

ベンダーが示す AUROC 99% を、そのまま信じてはいけません。

表A：精度指標

買い手が持つべき事実は 3 つです。

• ・高 AUROC/AUPRO は実用性能ではない。画素レベルの極端なクラス不均衡でスコアが膨張し、MVTec AD／VisA で 100% へ収束して「解けた」錯覚を生みます。上位モデルでも一部の難サンプルで局在化に失敗し、多数の過検出を出します。例：Pill データで最良の EfficientAD が AUROC 98.7%／AUPRO 96.7% でも、正常画像の方に高い異常スコアが出るケースがある（AUPIMO 論文）。
• ・実世界の照明変動下では、SOTA でも平均 AU-PRO 60%未満。MVTec AD 2（照明変動・透明/重畳・微小欠陥の 8 シナリオ・8,000 枚超）が示しています。カタログの高スコアは「照明が固定された理想条件」の値です（MVTec AD 2）。
• ・見逃し（FN）と過検出（FP）はトレードオフ。片方だけをゼロにはできません。出荷先が「どちらの誤りをより恐れるか」で最適点が変わります。安全部品は過検出を飲んで見逃しを抑え、下流で手直し可能な工程は過検出を減らし流量を優先します（Nsight）。

精度とタクトも明示的なトレードオフの関係にあります（EfficientAD のミリ秒級設計はその設計解の一つ）。ベンダー提示の指標を見るときは、どの閾値で、どの照明条件で、どのデータで測った値かを必ず確認してください。

3. 回収不能となる典型条件

AI 検査が投資回収に至らない、あるいは長期化する典型条件があります。

• ・少量多品種で品種切替が頻繁＋ NG 画像が少ない：品種ごとに地合い・照明相性が違い、学習が追いつかない
• ・量産開始時に不良品画像が不足：教師あり学習は「不良品画像が集まるまで適用できない」（コニカミノルタ技報）
• ・撮像・判定の難度が高い対象：はんだの金属光沢・透明体・鏡面など
• ・撮像環境が固まっていない：照明の揺れ・外光混入・搬送時の傾きで、同じ良品でも見え方が毎回変わる

学術側でも、産業画像は「ラベル付き欠陥データの取得が困難・高コスト・時間がかかる」ことが導入障壁として指摘されています。少数サンプル学習・教師なし・転移学習がその緩和策です（arXiv 2207.10298）。

4. 過検出の4層構造 — なぜ現場が使わなくなるのか

AI 検査の導入で最も多い失敗は「過検出が多くて、AI の NG を人が全数見直す二度手間になり、省人化の目的が逆転する」ことです。過検出の4層構造——原因は 4 層に分かれ、上流ほど影響が広くなります。

上流（撮像・照明・位置決め）を放置したまま下流（学習データを足す）を調整しても効果は続きません。「良品を足す」も、過検出の実例に対応しない良品を量で足しても空振りします。過検出画像を原因別（照明揺れ／地合い／位置ずれ）に仕分け、不足する見え方を狙って補うのが正攻法です。

表B：典型的な失敗モード

出典：Nsight 過検出記事／MVTec AD 2（SSOT §7）

5. 導入の進め方 — PoCの設計

失敗を避ける鍵は、PoC の設計にあります。

• ・数値目標を PoC 前に合意：検出率・過検出率・タクトタイムの目標を決める。未達なら本番導入を見送ることも、正しい意思決定です。
• ・上流から固める：撮像 → 地合い → 閾値 → 学習データ の順で切り分ける。
• ・過検出を教材化する：オペレーターが良品と確定したものを正しいラベルで学習に戻す。判定根拠の可視化が前提。
• ・品質マネジメント：機械学習品質は「帰納的開発」でデータ依存が高い。AIST の機械学習品質マネジメントガイドライン（AIQM 第4版 2024/8）、QA4AI ガイドライン（2025.04）が開発プロセスと評価の手順を示しています。

規格の側では、ISO/IEC TR 24028:2020 が AI の信頼性を「検証可能な形でステークホルダーの期待に応える能力」と定義しています。受入の合意は、この「検証可能な形」を先に決めることに尽きます。

6. 費用と回収

表C：費用構造（円建て・観測 2026年7月）

回収便益は、検査員人件費の削減（1名あたり年300万〜600万円・媒体試算）、不良流出コストの削減、過剰検査（良品の誤廃棄）の削減、全数検査化とタクト短縮の 4 つが柱です。回収年数の目安は、立ち上げ・精度改善込みで 3〜12 か月とされます（日本媒体試算）。ただし前節の回収不能条件に該当すると長期化します。

COPQ（不良流出コスト）は、予防＋評価＋内部失敗（廃棄・手直し・再検査）＋外部失敗（保証・返品・リコール・クレーム）で構成されます（ASQ）。単価 50 円の部品でも、リコール時の損害責任は桁違いに拡大しうる——回収費用は通常 PL 保険の対象外です。回収・告知・物流・機会損失の体系は経産省のリコールハンドブック2016が整理しています。

7. 補助金（2026年時点）

AI 外観検査は、複数の補助制度の対象になりえます。とくに中小企業省力化投資補助金〈カタログ注文型〉では、「AI外観検査用画像処理システム」が 2026年4月23日 にカタログ製品カテゴリへ追加されました（公式）。カタログ登録製品なら手続きが簡素です。

実質負担は、TCO ×（1 − 補助率）に近づきます（賃上げ等の要件未達で返還義務）。要件・加点・適用可否は個別判断です。最新の公募回における上限・補助率は、必ず一次の公募要領で確認してください。

出典：中小企業省力化投資補助金／ものづくり補助金／IT 導入補助金／北海道経済産業局（SSOT §3）

8. 日本の導入事例

• ・自動車部品：Musashi AI × トヨタ本社工場トランスミッションギヤ、2020年12月に量産稼働を開始し、段階導入で合計8台。導入前は 1 人が 1 日約数万歯を目視していました。導入は最短 1〜3 か月、検査時間20秒／精度99%以上と報じられています（プレス）。
• ・食品：システムスクエアの AI 搭載 X 線検査機で、魚の小骨の自動検出率が平均約 70%→95%、検査時間を従来の約 2 割に短縮。
• ・食品：コグネックス In-Sight D900 で、良品27枚・約5分の学習により毛髪・虫等を検出。
• ・基板はんだ：コニカミノルタの技報では、教師なしで過検出率 対象A 0.05%・対象B 8.72%、教師あり移行後 1.2%（見逃し率ほぼ 0%）。学習モデル作成の期間を従来の 1/5 以下に短縮（技報）。
• ・制御機器：オムロン草津工場で外観検査を自動化し、検査品質の安定化と不良流出ゼロ（公式）。

出典：各社プレス・技報・日経（SSOT §2）。一次（プレス・技報・公式）と二次（報道・代理店）が混在するため、検討時は各出典で条件を確認してください。

9. 業界統計・市場トレンド

• ・ディープラーニング活用型画像処理ソフトウェアの世界市場は、2029年に657億円（2025年比 187.2%）の予測。同市場は2029年に2025年比 87.2% 増と見込まれています（富士経済 第26021号）。
• ・ルールベース検査では対応できない領域への適用拡大と、不良判定の理由を言語で出力するといった機能向上が、導入の追い風とされます。エリア別では中国が市場の 30% 強を占めます（同）。
• ・背景には、製造業の人手不足と品質要求の高まりによる、目視検査から AI 検査への転換があります。

※ 日本国内単独の円建て市場規模については、確たる一次数値が限定的なため、当サイトは断定しません。世界の AI 外観検査システム市場の米ドル建て予測値も、一次で参照できる出典を確認できていないため本稿では示しません。