外観検査を自動化したい企業が最初に確認すべきポイント

1 日前
読了時間: 9分

製造現場では、目視検査の人手不足、検査員による判定のばらつき、不良品の流出、検査記録の手入力負担など、外観検査に関する課題が多く発生しています。こうした課題に対して、カメラや画像処理、AI画像認識を活用した外観検査の自動化を検討する企業が増えています。

一方で、「AIを使えばすぐに検査を自動化できる」「カメラを設置すれば人の目と同じように判断できる」と考えて導入を進めると、期待した精度が出ない、誤検知が多い、現場の運用に合わない、といった問題が起こることがあります。

外観検査の自動化で重要なのは、最初から技術や装置を決めることではありません。まずは、何を検査したいのか、どのような不良を検出したいのか、どの程度の精度や速度が必要なのか、既存の生産ラインとどのように連携するのかを整理することが重要です。

この記事では、外観検査を自動化したい企業が、画像認識システムやAI外観検査を導入する前に確認すべきポイントを解説します。

外観検査の自動化ニーズが高まっている背景

外観検査の自動化が注目される背景には、製造業全体の人手不足と、省人化・生産性向上へのニーズがあります。中小企業基盤整備機構も、省力化・生産性向上に向けた取り組みを支援する情報提供を行っており、業種別の事例やツールを通じて、中小企業が省力化に踏み出すための支援を行っています。

また、中小企業庁の資料では、人口減少による就業者数減少の影響を相殺するには、省人化投資の拡大が必要になるという見方も示されています。製造現場においても、人が行っていた検査・確認・記録作業を、カメラやセンサー、画像処理システムで補完する流れは今後さらに強まると考えられます。

特に外観検査は、人手に依存しやすい工程です。傷、汚れ、欠け、打痕、異物、印字ミス、ラベルずれ、部品の有無などを人が確認している現場では、検査員の経験や体調、疲労、作業環境によって判定がばらつくことがあります。検査対象が多く、ライン速度が速い場合には、見逃しや過検出のリスクも高まります。

画像認識による外観検査は、こうした課題を解決する手段の一つです。ただし、外観検査の自動化は「AIを入れるかどうか」だけで決まるものではありません。カメラ、照明、搬送条件、検査基準、判定ロジック、既存設備との連携まで含めて設計する必要があります。

まず確認すべきことは「何を検査したいのか」

外観検査を自動化する際、最初に確認すべきなのは検査対象です。

たとえば、同じ「外観検査」でも、検出したいものは現場によって大きく異なります。

金属部品であれば、傷、打痕、バリ、変形、穴位置のずれなどが対象になることがあります。食品や農産物であれば、異物、変色、形状不良、欠け、サイズ違いなどが問題になります。樹脂成形品であれば、黒点、ヒケ、欠け、変形、成形不良などが検査対象になるかもしれません。包装工程では、ラベルずれ、印字ミス、封かん不良、異品種混入などが対象になります。

このとき重要なのは、「外観検査を自動化したい」という大きな目的を、できるだけ具体的な検査項目に分解することです。

たとえば、以下のように整理します。

確認項目	整理すべき内容
検査対象	部品、食品、容器、ラベル、包装、製品表面など
検出したい不良	傷、汚れ、欠け、異物、印字ミス、変形、寸法ずれなど
不良の大きさ	何mm以上を検出したいのか
判定基準	どこからNGとするのか
検査タイミング	搬送中か、停止状態か、出荷前か
検査速度	1個あたり何秒、または1分あたり何個か
出力方法	アラート、ライン停止、排出、記録保存など

この整理が曖昧なままシステム開発を始めると、後から「現場ではそこまで厳しく見ていなかった」「この程度の傷はOKだった」「逆にこの不良は絶対に見逃せない」といった認識のズレが起こります。

「人が見れば分かる」はシステム化では危険

外観検査の自動化でよくある落とし穴が、「人が見れば分かる」という表現です。

現場では、熟練者が経験的にOK/NGを判断していることがあります。しかし、その判断基準が明文化されていない場合、画像認識システムに置き換えることは難しくなります。

たとえば、「目立つ傷はNG」という基準があったとします。しかし、システム化するには、傷の長さ、幅、深さ、位置、色、周囲とのコントラスト、製品機能への影響などを整理する必要があります。傷が端部にある場合と中央にある場合で判定が変わることもあります。光の当たり方によって目立ち方が変わることもあります。

AI画像認識を使う場合でも、判定基準が不要になるわけではありません。AIは学習データから特徴を学習しますが、どの画像をOKとし、どの画像をNGとするかは人が定義する必要があります。基準が曖昧なままだと、学習データのラベルにもばらつきが生じ、安定した判定が難しくなります。

そのため、外観検査を自動化する前には、限度見本、不良サンプル、過去の検査記録、品質基準書などを整理し、「何を検出できればよいのか」「どのレベルからNGとするのか」を明確にしておくことが重要です。

撮影条件が検査精度を大きく左右する

画像認識による外観検査では、AIモデルや画像処理アルゴリズムだけでなく、撮影条件が非常に重要です。

カメラで不良が明確に写っていなければ、どれだけ高度なAIを使っても安定した検出は難しくなります。逆に、照明やカメラ配置を工夫することで、シンプルな画像処理でも十分に検査できるケースがあります。

確認すべき撮影条件には、以下のようなものがあります。

項目	確認内容
ワークの材質	金属、樹脂、ガラス、紙、食品など
表面状態	光沢、反射、凹凸、透明性、模様の有無
搬送状態	停止して撮影できるか、動いたまま撮影するか
撮影方向	上面、側面、斜め、複数方向からの撮影が必要か
照明	リング照明、バー照明、同軸照明、バックライトなど
背景	ワークと背景のコントラストを取れるか
ブレ	搬送速度に対して露光時間や照明が適切か
設置環境	ほこり、振動、温度、外乱光の影響があるか

特に金属やフィルム、透明容器のように反射しやすい対象物では、照明条件によって見え方が大きく変わります。検査したい不良を「カメラにどう見せるか」を考えることが、外観検査自動化の成否を左右します。

AIが必要なケースと、従来型画像処理で十分なケース

外観検査の自動化というと、すぐにAIを想定するケースが増えています。しかし、すべての検査にAIが必要なわけではありません。

たとえば、部品の有無確認、印字位置の確認、ラベルのずれ、穴の有無、単純な寸法確認、色の違いなど、判定ルールが比較的明確な検査であれば、従来型の画像処理で対応できる場合があります。従来型画像処理は、判定根拠が比較的分かりやすく、処理速度を出しやすいという利点があります。

一方で、傷や汚れの形が多様である場合、良品と不良品の境界が単純なルールで表現しにくい場合、対象物に個体差が大きい場合には、AI画像認識が有効になることがあります。特に、食品、農産物、表面模様のある製品、自然物に近い対象などでは、AIが有効なケースがあります。

重要なのは、「AIを使うかどうか」を先に決めるのではなく、検査対象と不良の性質に応じて、従来型画像処理、AI画像認識、3次元計測、センサー、ルールベース判定などを組み合わせることです。

外観検査システムでは、AIだけでなく、照明設計、カメラ選定、画像処理、判定ロジック、PLC連携、データ保存、UI設計まで含めた総合的な設計が必要です。

既存ラインとの連携も事前に確認する

外観検査の自動化では、画像を判定するだけでは不十分です。実際の現場では、判定結果をどのように使うかまで考える必要があります。

たとえば、NG品を見つけた場合、以下のような処理が必要になることがあります。

ランプやブザーで作業者に知らせる
画面上にNG理由を表示する
ラインを停止する
エアブローやロボットで排出する
PLCに信号を送る
検査画像と判定結果を保存する
製造番号やロット番号と紐づけて記録する
品質管理システムや生産管理システムに連携する

このような連携を後から追加しようとすると、想定以上に開発範囲が広がることがあります。外観検査システムは、単体のAIモデルではなく、現場の設備や業務フローの中で動くシステムです。そのため、開発前に既存設備、制御盤、PLC、搬送装置、排出機構、ネットワーク環境、記録方法などを確認しておくことが重要です。

PoC前に準備しておくとよいもの

画像認識による外観検査を検討する場合、最初から本番システムを作るのではなく、PoC、つまり実証実験から始めることが一般的です。

PoCをスムーズに進めるためには、以下のような情報を準備しておくとよいでしょう。

準備物	内容
良品サンプル	通常のばらつきを含む複数サンプル
不良サンプル	検出したい不良の種類ごとに用意
限度見本	OK/NGの境界が分かるもの
現場写真・動画	実際の設置環境や搬送状態が分かるもの
検査基準書	判定基準、許容範囲、検査項目
タクトタイム	1個あたりの検査時間、ライン速度
設置条件	カメラ設置スペース、照明設置可否
既存設備情報	PLC、排出機構、ライン構成など
記録要件	画像保存、ログ保存、トレーサビリティ要件