製造業の外観検査にAIをどう使うか — 全数検査を「人とAI」で分担する

外観検査にAIを入れれば、人の検査はなくなると考えられがちです。実際に最初につまずくのはAIの精度ではなく、どこまでAIに判定させ、どこから人が見るかの線引きです。この記事では、全数検査を人とAIで分担するときに確認したい項目を整理します。

まず決めること：検査を「なくす」のではなく「分担する」

外観検査は、キズ・欠け・異物・印字ずれなどを目で確かめる作業で、多くの現場が人手に頼っています。検査員の熟練に左右され、長時間になると集中力も落ちます。AIによる画像検査は有力な手段ですが、「入れれば検査が全部なくなる」と考えると、うまくいきません。

現場で効くのは、AIに全部を任せることではなく、AIと人の役割を分けることです。AIが一次選別で数を絞り、人はAIが迷ったものと最終的な出荷可否を見る。この分担を前提に、次の項目を確認します。

AIは一次選別で数を絞る。人は、AIが迷ったものと最終可否だけを見る。

チェックリスト1：検査項目を「AIが得意」「人が必要」で仕分けているか

• 同じ位置・同じ見え方で繰り返す欠陥（定位置のキズ、印字の有無、部品の付け忘れ）を洗い出しているか
• 見え方が毎回変わる欠陥や、光の当たり方で判断が変わるものを分けているか
• 良否の境界が微妙なもの、初めて見る欠陥、出荷可否の判断を人に残しているか

すべての検査項目を一度にAI化しようとしないことが出発点です。項目を仕分けると、投資の順番が見えてきます。仕分けをせずに「不良を全部AIで弾く」を目標にすると、判定があいまいな部分で誤りが増え、かえって人の手戻りが増えます。言葉にしにくい「何か変」という違和感も、当面は人の仕事です。

チェックリスト2：精度を「見逃し」と「取りすぎ」に分けて決めているか

• 見逃し（不良を良品と判定）を、どこまで抑えるか決めているか
• 取りすぎ（良品を不良と判定）が、人の再確認でどれだけ増えるか見積もっているか
• 迷うものを不良寄りに倒し、人が最終確認する流れになっているか

「精度99%」という一つの数字は、検査ではあまり意味を持ちません。見逃しは出荷事故に直結するため、限りなくゼロに近づけたい誤りです。取りすぎは安全側ですが、多すぎると人の再確認が増えて現場が疲れます。AIを見逃しを避ける側に振れば、人が見るのはAIが弾いたものと迷ったものだけになり、全数を見ていた頃より負担が減ります。

チェックリスト3：良品と不良品の基準を、検査員とそろえているか

• 良品と不良品の画像を、対象の欠陥ごとに集めているか
• 「これは不良、これは許容」の基準を、現場の検査員と一緒に決めているか
• 最初の対象を、分かりやすい欠陥1〜2種類に絞っているか

AIの判定は、教える基準以上にはなりません。検査員ごとに判断が少しずつ違う状態のまま画像を集めると、AIの判定もぶれます。対象を1〜2種類の欠陥に絞れば、比較的少ない画像からでも検証を始められます。足りない画像は、運用しながら集める前提で設計します。

チェックリスト4：1ライン・1品種で、人と並走させる期間を設けているか

• 最初の対象を、1つのライン・1つの品種・1つの面に絞っているか
• いきなり本番の判定に使わず、人の判定と突き合わせる期間があるか
• 判定がずれた事例を、毎日見直す担当と時間を決めているか

いきなり全ラインへ広げず、次の順で進めます。

1. 対象を1つ選ぶ（例：この製品の、この面の、印字かすれ）
2. 良品・不良品の画像を集め、検査員と判定の基準をそろえる
3. 2〜4週間、実ラインの脇でAIを並走させ、人の判定と突き合わせる
4. 判定がずれた事例を毎日見直し、基準と学習データを整える
5. 十分に合ってきたら一次選別としてラインに組み込み、対象を少しずつ広げる

この並走期間を飛ばすと、現場はAIを信用できず、結局すべてを人が見直す二重チェックになりがちです。

チェックリスト5：検査の記録を、工程改善の材料として残しているか

• いつ・どのラインで・どんな欠陥が出たかが、画像付きで残るか
• AIの判定履歴を記録し、後から追える状態か
• 熟練検査員の役割を、AIの判定を監督し基準を育てる仕事へ移しているか

AI検査を入れると、不良の記録が自動でたまります。欠陥の発生傾向が見えれば原因工程の特定につながり、たまった画像は次のモデルの精度向上にも役立ちます。判定履歴が残っていれば、最終判断を人が持つ形でも品質保証と説明責任を両立できます。検査を「人減らし」とだけ捉えず、検査員の仕事を移すと位置づけると、現場の協力を得やすくなります。

MGCのAIソリューションの場合

MGCでは、AIソリューションとして、業務へのAIの組み込みをPoC（小さく試して効果を確かめる段階）から進めています。PoCは100〜300万円が目安で、本番導入は要件に応じて個別にお見積もりします。

期間はパイロット運用2〜4週間・本番運用1〜3ヶ月が目安で、対象にする範囲によって変わります。初回相談・お見積もりまでは無料で、専門チームが一貫して担当します。

• AIソリューション：業務へのAIの組み込みを、PoCから本番運用まで進める支援
• 料金の考え方：AIソリューションの費用の構成と目安

まとめ

外観検査にAIを使うときは、まず検査をなくすのではなく人とAIで分担すると決めます。そのうえで、検査項目の仕分け、見逃しと取りすぎの区別、検査員と基準をそろえること、1ライン・1品種での並走、検査記録の活用の5つを確認してください。AIが一次選別を担い、人が迷うものと最終可否に集中できる形が整います。

製造業の関連コラム

製造業

製造業の予兆保全にAIをどう活用するか — 設備停止を防ぎ保全を最適化する

2026.08.04製造業

製造業の生産計画をAIで最適化する — 熟練者の「勘」をデジタル資産へ

2026.08.19

本コラムは一般的な情報提供を目的としたもので、特定の成果を保証するものではありません。導入可否や効果は、企業の状況・データ・体制により異なります。具体的なご相談は個別にお問い合わせください。