AI外観検査とは？従来の画像検査との違い・導入費用の考え方・失敗しない進め方

製造現場では、目視検査に関する次のような課題が増えています。

• 検査員の確保が難しく、作業者の負担が大きい
• 検査員によって判定結果にばらつきがある
• キズや色むらなど、従来の画像検査では判定しにくい不良がある
• AI外観検査を導入したいが、自社の製品で使えるか分からない

こうした課題の解決策として注目されているのが、AIを活用した外観検査です。

AI外観検査は、単にカメラを設置すれば導入できるものではありません。製品の特徴や不良の種類、ライン速度、照明条件などによって、適した構成が変わります。

特に重要なのは、導入前に自社のワーク（検査対象物）を使って検証することです。本記事では、従来の画像検査との違い、導入費用の考え方、失敗しない進め方を分かりやすく解説します。

AI外観検査とは

AI外観検査とは、カメラで撮影した製品画像をAIが解析し、良品・不良品を判定する仕組みです。

あらかじめ良品や不良品の画像を学習させることで、人が経験や感覚で判断していた外観上の違いを、AIが判定できるようにします。

対象となる不良には、次のようなものがあります。

•  キズ、打痕、欠け
•  汚れ、異物、付着物
•  色むら、印刷不良
•  組み付け状態のばらつき

目視検査の自動化に加え、検査品質の安定化や作業者の負担軽減にもつながります。

従来の画像検査は、あらかじめ設定したルールに基づいて判定します。例えば、「指定した範囲内に部品があるか」「寸法が基準値内か」「明るさが設定値を超えているか」といった検査です。

ルールベースの画像検査は、寸法や位置、数量、有無など、基準を数値化しやすい検査を得意とします。

一方、AI外観検査は、キズや色むらのように形状や見え方が一定でない不良の判定に適しています。

すべてをAIに置き換えるのではなく、検査項目ごとにルールベースとAIを使い分けることが重要です。

AI外観検査だけでなく、外観検査の自動化全体について知りたい方は、こちらの記事もご覧ください。

AI外観検査が向いている検査・向いていない検査

AI外観検査は、次のような検査に向いています。

• 外観のばらつきが大きい検査

              ・キズや汚れの位置・大きさ・形状が毎回異なる

              ・固定されたルールだけでは判定が難しい

• 人の感覚や経験に依存する検査

　　　・わずかな色の違いを判定する

　　　・表面の質感や違和感を確認する

　　　・熟練者の経験に基づいて判断している

• 良品画像を中心に学習できる検査

　　　・不良品の種類が多い

　　　・すべての不良パターンを事前に定義するのが難しい

　　　・良品との違いから不良を検出したい

このように、判定基準を細かく数値化しにくい検査や、不良のパターンが多様な検査では、AI外観検査が有効です。

AI官能検査への活用事例

AI外観検査は、キズや異物検査だけでなく、人の感覚や経験に頼っていた官能検査にも活用されています。

例えば、熟練検査員が行っていた外観品質の判定をAIに学習させることで、判定基準の標準化や人手不足対策に貢献できます。

実際の活用イメージは、以下の紹介動画をご覧ください。

AIを導入すれば、すべての検査を自動化できるわけではありません。

次のような場合は、事前検証が特に重要です。

• 製品の形状や向きが毎回大きく異なる
• 不良品のサンプルがほとんどない
• 照明による反射や影が安定しない
• 良品と不良品の判定基準が決まっていない

また、検査対象が透明・光沢・金属素材の場合、照明やカメラの選定によって結果が大きく変わります。
AIの性能だけでなく、撮像環境全体を設計する必要があります。

AI外観検査の導入費用の考え方

AI外観検査の導入費用は、AIソフトウェアだけで決まるものではありません。主に次の要素を考慮します。

• カメラ、レンズ、照明などの撮像機器
• AI画像処理ソフトウェアや判定用PC
• センサ、PLC、表示器などの制御機器
• 搬送装置、ロボット、排出機構などの自動化設備
• 学習用画像の収集・アノテーション・設定作業
• 現場への設置、調整、操作教育、保守

既存ラインに検査機能だけを追加するのか、搬送や排出まで含めた検査装置を新設するのかによって、費用は大きく異なります。

初めから全工程を自動化するのではなく、重要度の高い検査から段階的に進める方法があります。

例えば、まずは検査員が行っている判定をAIで補助し、その後、合否判定や排出機構まで自動化する方法です。

検討時には、次の効果も含めて投資対効果を確認しましょう。

• 検査工数の削減
• 人員配置の最適化
• 判定ばらつきの低減
• 不良流出や手戻りの削減
• 生産ラインの稼働時間延長　

製造業の省人化では、単純に作業者を減らすのではなく、人がより付加価値の高い業務へ移れる仕組みをつくることが大切です。

AI外観検査の精度を左右するポイント

AIの判定精度は、撮影画像の品質に大きく左右されます。

カメラの画素数だけでなく、レンズの視野、シャッタースピード、照明の色や角度、製品表面の反射などを総合的に検討します。

特に光沢のある金属部品や透明部品では、照明方法を変えるだけでキズの見え方が大きく変わります。

良品・不良品の画像は、できるだけ実際の生産条件に近い状態で集めます。

少数の画像だけで学習させると、特定の角度やロットにしか対応できないことがあります。製品の個体差、材質差、季節差なども考慮しましょう。

不良品が少ない場合でも、過去の不良記録や検査員が保管しているサンプルを活用できる場合があります。

導入を検討する際は、次の項目を確認しましょう。

特に、最後の「自社ワークによる事前テスト」は重要です。導入前に課題を明確にすることで、過剰な設備投資や導入後の手戻りを防ぎやすくなります。

AI外観検査をご検討中の方へ

実際にAI外観検査を導入する際は、AIソフトウェアだけでなく、カメラや照明、画像処理コントローラを含めたシステム全体の構成が重要です。

オムロンのFH-AIは、キズ・異物・色むらなど従来のルールベースでは判定が難しい不良の検出を支援するAI画像検査ソリューションです。人の感覚や経験に頼っていた検査の自動化や品質の安定化に貢献します。

▶︎ オムロン FH-AI製品紹介ページはこちら

AI外観検査についてより詳しく知りたい方は、仕組みや導入時のポイント、オムロン FH-AIの特長をまとめた資料をご活用ください。

▶ オムロン FH-AIの資料をダウンロードする

AI外観検査は、キズや汚れ、色むらなど、従来のルールベース画像検査では判定が難しかった不良の自動化に適した技術です。

一方で、AIを導入すれば自動的に検査が成功するわけではありません。カメラや照明の選定、学習画像の準備、判定基準の整理、ライン条件の確認が重要です。

失敗しないためには、次の流れで進めることをおすすめします。

1. 検査内容と判定基準を整理する
2. 自社ワークでサンプル評価を行う
3. PoCで現場条件を検証する
4. 本導入後も運用を改善する

省人化や製造業の自動化を検討しているものの、どこから始めるべきか分からない場合は、お気軽にご相談ください。エフ・エー・アネックスが、東北・北海道の製造現場に合わせたFA機器・自動化設備の導入を支援します。

また、エフ・エー・アネックスでは、ワーク評価から機器選定、導入検証までサポートしています。

• AI外観検査が自社製品に適用できるか知りたい」
• 「どのようなカメラ・照明構成が適しているか相談したい」
• 「導入前にテスティングやPoCを実施したい」

このようなお悩みをお持ちの方は、お気軽にご相談ください。

参考資料

• 経済産業省　2026年版ものづくり白書（ものづくり基盤技術振興基本法第８条に基づく年次報告）
  https://www.meti.go.jp/report/whitepaper/mono/2026/index.html
•  中小企業庁「中小企業白書」
  chusho.meti.go.jp