答えを伏せて手順を約束。本文の「次の一歩」

AI検査を入れてみたものの、期待した精度が出ない。PoCの結果が伸びず、そこで止まってしまった。外観検査の自動化では、こうした行き詰まりが起こります。

このときまず疑いたくなるのは、モデルやアルゴリズムです。学習データを増やす、別のモデルを試す、しきい値を調整する、といった方向に手が向きます。

どれも間違いではありませんが、手を入れる順番としては後になることがあります。原因が、モデルより手前の「撮像」にあることがあるためです。

本記事では、原因の切り分け方を次の順で整理します。撮像・環境変動・データ・進め方の順に見ていきます。

結論：精度が出ない原因は、アルゴリズムより先に「撮像」を疑う

そもそも画像に写っていない欠陥は、AIでもルールベースでも検出できません。

これは方式選択より上流の話です。分解能が足りない、照明の当て方で欠陥が背景に埋もれている、光沢面の反射で白飛びしている。こうした状態では、どちらのアルゴリズムでも結果は変わりません。

単一露光でセンサーが飽和（白飛び）した領域の元の輝度や模様は、通常の後処理から一意には復元できないためです。

最初の確認は、この一問です。欠陥は画像に十分な大きさとコントラストで、安定して写っていますか。写っていない場合や写り方が毎回変わる場合は、方式を比べる前にカメラ・照明・分解能の見直しが先になります。

光沢・反射のある対象は「AIなら対応できる」と説明されることがあります。当社では、まず光学側で反射を抑えるのが先だと考えています。

対象の材質・形状に応じて、拡散照明・偏光フィルタ・多方向からの撮影といった手段を実機で評価します。そこで変動そのものを減らし、それでも残る変動に対して学習ベース（AI）が有効な場合がある、という順番です。

変形や反りは、明暗の画像（2D）に現れにくい場合があります。その場合は判定アルゴリズムを比べても解決せず、多方向照明や3D計測を含めた撮像設計として検討する領域です。3Dデータに対しても、ルールベースと学習ベースの両方を適用できます。

撮像条件の側に原因がある場合に備え、当社は卓上型・インライン型・組み込み型をカスタム設計しており、ソフトウェアと撮像側を合わせて検討します。

撮像を整えたうえで、次に見るのが環境の変動とデータです。

「AIは環境変動に強い」は不正確です

照明や環境の変動を、AIが吸収してくれるとは限りません。

当社では、両者の違いは強い・弱いではなく、劣化の出方にあると整理しています。

• ルールベース：しきい値をまたいだ瞬間に判定が変わる壊れ方をしやすく、その分、原因の特定はしやすい傾向があります
• AI：学習時に含めた範囲の変動には頑健になりやすい一方、想定外の変動では精度低下に気づきにくくなる傾向があります

つまり、AIを選んでも変動が消えるわけではありません。気づきにくい形に変わることがあります。

そのため当社の設計順序は、まず遮光・照明固定・露出固定で変動そのものを潰すことです。残った変動は、ルールベースなら基準との相対比較で抑え、AIならデータ拡張や複数条件でのデータ収集で頑健性を高めます。効果は変動の種類ごとに検証します。

なお、どちらの方式でも、入力画像が変わっていないかを運用の中で監視することは必要です。

NG画像が足りない・判定が割れる — データ側が原因のケース

撮像が整っていても、学習データの側が精度の上限を決めることがあります。

不良品の画像がほとんどない場合は、良品だけを学習して「良品らしくないもの」を拾う異常検知から検討できます。学習自体は良品のみでも可能です。

ただし、狙った不良を検出できているかの確認は別に必要です。運用のしきい値決定にも、少数でよいので、実物の不良か、実際の欠陥の見え方を再現できると確認した模擬不良サンプルが望まれます。「NG品がゼロでよい」わけではありません。

補助的には、既存の不良画像を加工して増やす方法もあります。実際の欠陥の出方を再現できる保証はありません。

判定を広めに拾って人が最終確認する運用から始めるのも現実的です。まずは、実物の良品・不良品サンプルをどこまで用意できるかの確認からです。

もう一つ見落とされやすいのが、判定そのものが割れているケースです。「熟練者は分かるが言語化できない」判定を学習に落とす場合、着手前に複数の検査員で判定が一致するかを確認します。判定が割れていると、見逃しや過検出が増え、精度が伸びにくくなります。

小さく試して切り分ける — 「いきなりAIを作らない」進め方

方式の議論が長引くときは、手段を先に決めないことが近道になります。

当社は、計測機器メーカー様から計測誤差の補正開発を受託しました。進め方は、データクリーニング → 相関・因果分析 → 分散・誤差分析 → 原因分析の順です。AIモデルの構築は最後でした。

先に現象を分解したことで、モデルに何をさせるべきかが明確になりました。検査でも、同じ入り方が有効です。「AI検査を導入する」ではなく「この判定をどう成立させるか」から入ります。

小さく試す段階で決めるのは、次の3点です。

1. 対象を絞る：全品種・全欠陥を一度に狙わず、頻度と影響の大きい項目から着手します
2. 評価指標を決める：見逃し率と過検出率を併記して評価します。単一の精度値だけでは運用の判断がしにくいためです。どちらを優先するかは工程で変わります
3. 続行・中止の条件を決める：何が確認できたら次に進み、何が見えたら止めるのかを、始める前に決めておきます

この3点を先に決めておくと、精度が出なかったときにも「どこで止まったのか」が残ります。次の一手を選ぶための材料になります。

次の一歩

精度が出ないときは、モデルを作り直す前に、撮像・照明の側を先に確認するのが近道です。

1. 欠陥が画像に安定して写っているかを確認する
2. 写っているなら、検査員間で判定が一致しているか、サンプルが用意できるかを確認する
3. 対象を絞り、続行・中止の条件を決めたうえで小さく試す

方式そのものの使い分けは、AI検査とルールベース検査の違い｜状況別の使い分け早見表つきで整理しています。