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

外観検査へのAI導入で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」の線引きでした。全数検査を人とAIで分担する、その設計の勘所を実務目線でまとめます。

外観検査（キズ・欠け・異物・印字ずれなどの目視チェック）は、多くの製造現場で人手に頼っています。検査員の熟練に依存し、長時間で集中力も落ちる。AIによる画像検査は有力な打ち手ですが、「AIを入れれば検査が全部なくなる」と考えると、たいてい失敗します。

現場で本当に効くのは、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した。この記事では、外観検査AIを『導入して終わり』にしないための考え方を、順を追って説明します。

AIに向く検査、人に残す検査

まず、すべての検査項目を一度にAI化しようとしないことです。項目を「AIが得意」「人が必要」で仕分けると、投資の順番が見えてきます。

• AIが得意：同じ位置・同じ見え方で繰り返し現れる欠陥（定位置のキズ、印字の有無、部品の付け忘れ）
• AIが苦手：見え方が毎回変わる欠陥、光の当たり方で判断が変わるもの、「何か変」という言語化しづらい違和感
• 人に残す：良品／不良品の境界が微妙なもの、初めて見るタイプの欠陥、最終的な出荷可否の判断

この仕分けをせずに「不良を全部AIで弾く」を目標にすると、判定が曖昧なグレーゾーンで誤判定が増え、かえって人の手戻りが増えます。まずはAIが自信を持って判定できる範囲だけを任せ、迷うものは人に回す。これが崩れない出発点です。

精度は「見逃し」と「取りすぎ」で考える

「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。大事なのは二つの誤りを分けて見ることです。

• 見逃し（不良を良品と判定）：出荷事故に直結する。ここは限りなくゼロに近づけたい
• 取りすぎ（良品を不良と判定）：安全側だが、多すぎると人の再確認が増え、現場が疲弊する

現実的な設計は、AIを「見逃しを絶対に避ける」側に振り、判断に迷うものは不良寄りに倒して人が最終確認する、という組み合わせです。AIが一次選別し、人はAIが弾いた分＋グレーだけを見ればよい状態にする。全数を人が見ていた頃より、人が見る枚数は大きく減ります。

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。

導入は「1ライン・1品種」から始める

いきなり全ラインへ展開しないことです。MGCが勧めるのは、1つのライン・1つの品種・分かりやすい欠陥1〜2種類に絞ったスモールスタートです。

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、現場の検査員と一緒に『これは不良、これは許容』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（いきなり本番判定に使わない）
4. AIと人の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、対象品種・欠陥を少しずつ広げる

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。焦らず、AIの判定を人の判定で検証する期間を必ず設けます。

検査データは、資産として残す

AI検査を入れる副次的な、しかし大きな効果が『不良の記録が自動でたまる』ことです。いつ・どのラインで・どんな欠陥が・どれくらい出たかが画像付きで残ると、検査だけでなく工程改善の材料になります。

• 欠陥の発生傾向を可視化し、原因工程の特定につなげる
• 不良画像の蓄積が、次のAIモデルの精度向上に直接効く
• 検査基準を『人の頭の中』から『データと記録』へ移し、属人化を減らす

検査の自動化を『人減らし』とだけ捉えると、現場の協力は得られません。熟練検査員の役割を、単純な全数目視から、AIの判定を監督し基準を育てる仕事へ移す。そう位置づけると、AIは検査員の敵ではなく道具になります。

まとめ：外観検査AIの勘所

• 全部をAIにさせない。得意な検査だけ任せ、迷うものは人へ
• 精度は『見逃し』と『取りすぎ』を分けて設計する
• 1ライン・1品種のスモールスタートと、人との並走期間を必ず設ける
• たまった検査データを工程改善とモデル改善の資産にする

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。