イノベーションのチカラで未来を拓く、IoTインテグレーター 富士ソフト組み込み開発サイト
メール
電話
メニュー
10W級で生成AIを“現場で完結” させる次世代エッジAI
公開日：2026年7月29日
外観検査AIとは、カメラで撮影した製品画像をAIが解析し、良品・不良品の判定や不良箇所の検出を行う仕組みです。
通常、製造現場では、製品のキズ、欠け、汚れ、異物混入、印字不良、部品の有無、組付けミスなどを確認するために外観検査が行われています。
これまでは作業者による目視検査や、画像処理装置を用いたルールベースの検査が中心でした。しかし近年では、人手不足、検査品質のばらつき、多品種少量生産への対応、品質要求の高度化を背景に、AIを活用した外観検査への関心が高まっています。
外観検査AIを使わない従来の画像処理では、人が明るさ、色、形状、エッジ、寸法などの検査ルールを設定する必要がありましたが、外観検査AIでは、良品画像や不良品画像から特徴を学習することで、人がルール化しにくいキズ、汚れ、変色、外観のばらつきにも対応しやすくなります。
ただし、AIモデルを導入すればすぐに高精度な検査ができるわけではありません。安定した検査を実現するには、カメラ、照明、撮像条件、AIモデル、産業用PC、PLC連携、データ保存、運用体制まで含めたシステム全体の設計が重要です。
本記事では、外観検査AIの仕組み、従来方式との違い、導入メリット、AIモデルの種類、導入時の注意点、産業用PC・エッジAI端末の選定ポイントまで解説します。
注目ソリューション
10W級の省電力エッジAIで、クラウドに依存せず生成AIを現場で完結。 リアルタイムな認識・判断を可能にするフィジカルAI活用を支援します。
外観検査AIとは、製品や部品の画像をAIが解析し、良品・不良品の判定や不良箇所の検出を行う技術です。
例えば、以下のような検査に活用できます。
外観検査AIの目的は、単に不良品を見つけることだけではありません。
検査基準の標準化、目視検査の負荷軽減、検査履歴のデータ化、不良傾向の分析、トレーサビリティ強化など、品質管理全体を改善するための仕組みとして活用できます。
従来の外観検査は、大きく分けると「目視検査」と「ルールベース画像処理」に分けられます。
目視検査は、作業者が製品を見て良否を判断する方法です。柔軟な判断ができる一方で、作業者の熟練度、体調、疲労、検査時間によって判断にばらつきが出ることがあります。
ルールベース画像処理は、カメラ画像に対して、明るさ、色、形状、面積、寸法、エッジなどの条件を人が設定し、しきい値に基づいて良否判定を行う方法です。検査対象や撮像条件が安定している場合には有効ですが、製品のばらつきが大きい場合や、微細なキズ・汚れ・変色などを判定する場合には、ルール作成が難しくなることがあります。
一方、外観検査AIでは、良品画像や不良品画像を学習させることで、AIが特徴を抽出して判定します。そのため、人が明確なルールとして定義しにくい不良や、ばらつきのある外観変化にも対応しやすい点が特徴です。
外観検査AIは、従来方式をすべて置き換えるものではありません。検査対象によっては、ルールベース画像処理とAIを組み合わせることで、より安定した検査システムを構築できます。
外観検査AIは、AIモデルだけで成立するものではありません。製造ラインで安定して運用するには、撮像、推論、判定、設備連携、データ保存まで含めたシステム設計が必要です。
基本的な流れは以下のとおりです。
外観検査AIでは、AIモデルの精度だけでなく「欠陥が安定して画像に写ること」が重要です。
キズ、凹凸、異物、印字、反射、透明体、光沢面など、検出したい対象によって適切なカメラ、レンズ、照明方式は異なります。撮像条件が不安定なままAIモデルを学習しても、現場で安定した判定ができない可能性があります。
そのため、外観検査AIの導入では、AIモデルの検討と同時に、カメラ・照明・設置位置・搬送条件も含めて検証することが重要です。
外観検査AIでは、検査目的に応じてAIモデルを使い分けます。代表的な方式は、画像分類、物体検出、異常検知、セグメンテーションです。
画像分類は、画像全体を見て良品・不良品を判定する方式です。比較的導入しやすく、単純なOK/NG判定に向いています。ただし、不良箇所の位置を明確に示す用途には向きません。
物体検出は、画像内のキズ、異物、部品などの位置を矩形で検出する方式です。不良箇所を画面上で示せるため、現場で確認しやすい点が特徴です。部品の有無確認、異物検出、ラベル位置確認などに活用できます。
異常検知は、主に良品画像を学習し、通常状態から外れた箇所を異常として検出する方式です。不良サンプルが少ない場合でも検討しやすい手法です。一方で、検出された異常が実際に不良かどうかを判断するためには、現場の判定基準を整理する必要があります。
セグメンテーションは、欠陥領域をピクセル単位で抽出する方式です。キズの面積、長さ、形状を詳しく評価したい場合に有効です。精密な検査に向いている一方で、学習データの準備に手間がかかる場合があります。
外観検査AIの導入メリットは、大きく分けて5つあります。
目視検査では、作業者の熟練度、体調、疲労、検査時間によって判断にばらつきが出ることがあります。
外観検査AIを活用することで、一定の基準に基づいた判定が可能になり、検査品質の安定化につながります。特に、検査員によって判定が分かれやすいキズ、汚れ、変色、微細な外観差の判定で効果が期待できます。
外観検査は集中力を要する作業であり、長時間続けると見逃しや判断ミスが発生する可能性があります。
AIによる自動判定を組み合わせることで、作業者の負荷を軽減し、人手不足への対応にもつながります。完全自動化だけでなく、AIが一次判定を行い、作業者が最終確認する運用も有効です。
目視検査では、ベテラン作業者の経験や感覚に依存しているケースがあります。外観検査AIを導入することで、良品・不良品の判断基準をデータとして扱いやすくなり、検査ノウハウの標準化や継承につながります。
外観検査AIでは、検査画像や判定結果をデータとして保存できます。
これにより、どの工程で不良が多いのか、どの時間帯に不良が増えるのか、設備条件や材料ロットとの関係があるのかといった分析が可能になります。
外観検査AIは、不良品を見つけるためだけの仕組みではなく、工程改善や品質改善につなげるためのデータ基盤としても活用できます。
検査画像、判定結果、日時、ロット番号、設備情報などを紐づけて保存することで、後から検査状況を確認しやすくなります。
不良発生時の原因調査や、顧客問い合わせへの対応、品質保証体制の強化にも役立ちます。
AI導入ガイドをダウンロード
外観検査AIには多くのメリットがありますが、導入時には注意すべき点もあります。
AIモデルの精度は、学習データの質と量に大きく左右されます。
不良品画像が十分に集まらない場合や、不良の種類に偏りがある場合は、期待した精度が出ないことがあります。その場合は、良品画像を中心に学習する異常検知方式を検討したり、PoC段階でデータ収集を進めたりする必要があります。
AIは画像から特徴を判断するため、カメラや照明の条件が不安定だと判定精度に影響します。
例えば、反射、影、ワーク位置のずれ、照明ムラ、ピントずれ、搬送時のブレなどがあると、AIが本来の不良とは関係ない要素を学習してしまう可能性があります。
そのため、外観検査AIでは、AIモデルの検証だけでなく、撮像環境の設計が非常に重要です。
外観検査AIでは、すべての異常を厳しく検出しようとすると、本来は良品である製品までNG判定してしまうことがあります。逆に、判定を緩くしすぎると、不良品を見逃す可能性があります。
そのため、現場で許容できる過検出率・見逃し率を整理し、品質基準と生産性のバランスを取る必要があります。
製品仕様、材料、設備条件、照明環境、カメラ位置などが変化すると、AIの判定精度が変わることがあります。
外観検査AIは、導入して終わりではありません。運用中の判定結果を確認し、必要に応じてデータ追加、再学習、しきい値調整、モデル更新を行う体制が必要です。
外観検査AIを製造ラインで運用する場合、AIモデルだけでなく、それを安定して動かす処理基盤が重要になります。
その中心となるのが、産業用PCやエッジAI端末です。
産業用PC・エッジAI端末は、以下のような役割を担います。
PoC段階では一般的なPCや開発用端末で検証することも可能です。
しかし、本番ラインでは長時間稼働、温度、振動、粉塵、設置スペース、保守性、長期供給、インターフェース拡張性などを考慮する必要があります。
特に、高解像度カメラや複数カメラを使用する場合、GPU搭載産業用PCやAIアクセラレータ搭載端末が必要になるケースがあります。また、PLCとの信号連携や上位システムへのデータ送信を行う場合は、I/Oや通信インターフェースの拡張性も重要な選定ポイントになります。
外観検査AIの本番導入では、「AIモデルが動くか」だけでなく、「現場で安定して動き続けるか」を基準にハードウェアを選定することが重要です。
外観検査AIは、最初から全工程・全品種に適用しようとすると、要件が複雑になり、PoCが長期化しやすくなります。
まずは対象工程を絞り、検査対象、不良内容、判定基準、必要精度、処理時間、設置環境を整理したうえで、段階的に導入を進めることが現実的です。
導入ステップの例は以下です。
まず、どの製品・部品を検査するのか、どの不良を検出したいのかを明確にします。
キズ、欠け、汚れ、異物、印字不良、部品欠品、誤組付けなど、不良の種類によって適した撮像方法やAIモデルが異なります。
どの程度のキズをNGとするのか、どこまでの汚れを許容するのかなど、良品・不良品の判定基準を整理します。
現場で判定が分かれる不良については、サンプル画像を用意し、関係者間で基準をすり合わせることが重要です。
AIモデルの検証に必要な画像データを収集します。
不良品が少ない場合は、良品画像を中心に学習する異常検知方式や、運用しながらデータを蓄積してモデルを改善する方法も検討します。
不良が安定して画像に写るように、カメラ解像度、レンズ、照明方式、撮影角度、ワーク位置、搬送条件を検証します。
外観検査AIでは、撮像条件の良し悪しが精度に大きく影響します。
収集した画像を用いてAIモデルを検証し、過検出や見逃しの傾向を確認します。
必要に応じて、モデル方式、学習データ、判定しきい値、前処理方法を調整します。
処理速度、カメラ台数、画像解像度、AIモデルの重さ、設置環境、消費電力、I/O、通信インターフェースなどをもとに、必要なハードウェア構成を検討します。
OK / NG判定結果をPLCへ送信し、NG品排出、ライン停止、アラーム通知などの動作を確認します。
また、検査画像や判定ログを上位システムやデータベースへ保存する場合は、データ形式や保存期間も整理します。
PoCで得られた結果をもとに、現場での運用性、保守性、処理速度、検査精度、作業者の使いやすさを確認します。
本番導入後も、判定結果の確認、追加学習、モデル更新、設備変更時の再評価を行い、継続的に改善していくことが重要です。
外観検査AIは、さまざまな製造現場で活用できます。
金属部品では、キズ、打痕、へこみ、サビ、変色などの検出に活用できます。
特に光沢面や反射のある部品では、照明条件によって見え方が大きく変わるため、撮像条件の設計が重要です。
樹脂成形品では、バリ、欠け、ショートショット、変色、黒点、異物混入などの検査に活用できます。
製品ごとの色や形状のばらつきがある場合でも、AIを活用することで柔軟な判定がしやすくなります。
電子基板では、部品の有無、向き、位置ずれ、実装ミス、異物混入などの確認に活用できます。
高解像度画像や複数カメラを使用する場合は、処理性能の高い産業用PCやエッジAI端末が必要になることがあります。
食品や医薬品のパッケージでは、賞味期限、ロット番号、バーコード、ラベル位置、印字かすれ、印字ズレなどの確認に活用できます。
検査結果を保存することで、トレーサビリティ強化にもつながります。
外観検査AIを成功させるには、AIモデル単体ではなく、現場運用まで含めた設計が重要です。
特に重要なポイントは以下です。
外観検査AIは、PoCで良い結果が出ても、本番ラインで安定運用できなければ十分な効果を発揮できません。
そのため、AIモデル、カメラ、照明、産業用PC、設備連携、運用保守を一体で検討することが重要です。
外観検査AIの導入では、AIモデルの選定だけでなく、カメラ・照明、処理端末、PLC連携、データ保存、運用保守まで含めて検討する必要があります。
富士ソフトでは、エッジAI、産業用PC、組込み開発、ハードウェア選定、AIモデル開発・導入支援など、製造現場でのAI活用に必要な要素を組み合わせた提案が可能です。
「どのAIモデルを使えばよいかわからない」 「PoCでは動いたが、本番ラインで使える構成にしたい」 「カメラ台数や処理速度に合う産業用PCを選定したい」 「PLCや上位システムとの連携まで含めて相談したい」
このような課題がある場合は、検査対象や現場環境に応じた構成検討から始めることが重要です。
外観検査AIは、製造現場における検査品質の安定化、省人化、作業負荷軽減、検査データ活用、トレーサビリティ強化を実現する有効な手段です。
従来の目視検査やルールベース画像処理では対応が難しかった微細な不良や、ばらつきのある対象物にも適用できる可能性があります。
一方で、導入効果を高めるためには、AIモデルだけでなく、カメラ、照明、産業用PC、PLC連携、データ保存、運用体制まで含めた全体設計が重要です。
特に本番ラインで安定稼働させるためには、処理性能、拡張性、耐環境性、長期供給性を備えた産業用PCやエッジAI端末の選定が重要になります。
外観検査AIを検討する際は、まず対象工程を絞ったPoCから開始し、撮像条件、AI判定精度、処理速度、設備連携の実現性を確認したうえで、本番導入に向けたシステム構成を具体化していくことが大切です。
石田 乗漢
組込／制御ビジネスユニットインダストリー事業本部 インダストリービジネス事業部 エンベデッドソリューション推進部 FAEグループ 担当
2019年、富士ソフト入社。 医療・産業分野におけるUI開発および組み込みソフトウェア開発に従事し、C#／C++を用いたアプリケーションの画面設計・実装に加え、既存コードの解析、改修、リファクタリングを担当。
その後、モバイルアプリ評価業務において、実機検証や不具合再現試験を通じた品質向上を推進。現在は産業用PCの販売代理業務に携わり、顧客要件に基づくハードウェア選定を行うとともに、エッジAI分野にも注力。SiMa.ai製品を中心とした評価環境の構築、AI推論向けテストモデルのセットアップ・検証を通じて、現場適用を見据えたエッジAI技術の開発・活用に取り組んでいる。
“見積もりがほしい”、”こんなことはできるのか？”、”詳しい実績がしりたい”、”この技術は対応できるのか？” そんな時は、質問だけでも結構です。お急ぎの場合も迅速に対応させて頂きますのでお気軽にお問い合わせ下さい。
組み込み受託開発に関して問い合わせる
050-3000-2102 エンベデッドソリューション推進部（平日 9:00〜17:00）
お探しの組み込み製品はキーワードで検索！
お問い合わせ