AI外観検査とは?導入事例・費用・精度・失敗しない選び方を解説

製品に小さな傷がないか、色むらがないか、部品が欠けていないか。製造現場では、検査員が何百個、何千個もの製品を見続けています。不良を見逃せない一方で、判定が難しいものはベテランに確認が集まり、製造量が増えるほど検査工程が詰まりがちです。
AI外観検査は、カメラで撮影した製品画像をAIが解析し、傷・汚れ・欠けなどを判定する仕組みです。 ただし、全製品の最終判断をいきなり機械へ任せる必要はありません。明らかな良品を通し、判断が難しい製品だけを人が確認する形なら、品質を守りながら検査員の負担を減らせます。
経済産業省の導入事例では目視検査時間を36%削減。東芝ライテックでは、既存の検査装置にAIを組み合わせ、目視作業の工数を約3分の1に圧縮した事例が公表されています。[1][2] 何を自動化し、どの数字で効果を確かめるのか。実際の現場に沿って解説します。
AI外観検査とは?目視検査を変える仕組みと導入メリット
AI外観検査の基本は「撮影・判定・仕分け・記録」
AI外観検査は「製品をカメラで撮る→画像を判定する→良品・不良品・要確認品に分ける→結果を保存する」という流れで動きます。対象は金属部品の傷、樹脂成形品のバリ(成形時にはみ出した余分な部分)、食品包装の印字不良など。何を欠陥とするかは、製品や取引先の基準によって違います。
現場に入れる際はAIだけで完結しません。部品を同じ向きに置く治具、照明、カメラ、判定結果を表示する画面、必要に応じて搬送機や排出機構も含めた検査設備になります。カメラの前で製品が毎回少しずつ傾けば、AIが学習した画像との違いが増えます。精度の議論は、AIモデルの性能だけでなく「安定して撮影できるか」から始まります。
人が全数を検査する方式から「AIが一次判定、人が例外対応」へ
従来の目視検査では、ほとんどが良品でも、一つひとつ確認する時間が必要です。AIが明らかな良品を先に判定できれば、検査員は不良の疑いがあるもの、撮影できなかったもの、新しい傷の種類などに集中できます。検査をなくすのではなく、人が見るべき製品を絞り込む発想です。
この仕組みは検査時間を減らすだけではありません。どの位置に、どの種類の不良が多いかが記録されれば、製造設備の調整や材料の管理にもつなげられます。品質保証部門が結果を確認するだけでなく、製造部門へ原因を戻せるようになるのです。
ルールベースとAI外観検査は、得意な仕事が違う
既存の画像検査には、寸法・色・面積などを決められた数値で判定する「ルールベース」の方式があります。ラベルの有無や穴の位置のように、合否を数値で定義しやすいものに向いています。
AIは、多数の画像から良品や不良品の特徴を学ぶ方式です。傷の形が一定しない、良品にも自然なばらつきがある、といった条件で役立つことがあります。すべてをAIへ置き換えるより、既存の画像処理にAI判定を追加する方が適している場合もあります。東芝ライテックは、この組み合わせで成果を上げた企業の一つです。[2]
製造業のAI外観検査導入事例|目視時間36%削減・工数を約3分の1にした企業
墨田加工|目視検査時間を36%削減
プラスチック加工を手がける墨田加工では、小型の円筒状部品を対象にAI外観検査を実証しました。経済産業省の「AI導入ガイドブック」によると、月約4,320個の検査を行う工程で、目視検査にかかる時間が月12.0時間から7.7時間へ減少。目視検査時間を36%削減しています。[1]
導入後も人の仕事は残ります。製品を機械へセットし、AIで検査できない部分を目視し、NG判定の製品を再確認する運用です。人がすべてを見ていた工程を、AIと人で分担する形に変えました。
東芝ライテック|既存装置に良品学習を加え、目視工数を約3分の1に
東芝ライテックのソケットLED製造ラインでは、従来のルールベース検査だけでは、想定外の不良に対応しきれないことが課題でした。すでにある検査装置を活用し、東芝の良品学習方式を組み合わせています。[2]
公表された事例では、良否判別の精度について目標値95%を達成。良品の過検出(問題のない製品を不良と判定してしまうこと)を減らし、再確認のための目視作業工数を約3分の1に圧縮しました。AIの導入で装置を丸ごと取り換えたのではなく、判定部分を改善したことが特徴です。[2]
三谷産業|110秒から37秒への短縮を想定して量産評価
自動車向け樹脂成形品を扱う三谷産業は、2024年8月、AIを使った自動外観検査機をベトナムの量産ラインで評価すると発表しました。現行の目視検査は1部品110秒。自動検査機を適用できれば、検査員の工数は37秒となり、約66%の削減を見込むと説明しています。[3]
短縮見込みは、1部品あたり73秒。製品が次々と流れる量産ラインでは、この差が検査員の作業時間として積み重なります。三谷産業が目指したのは、検査機への置き換えで人の作業をどこまで減らせるかを確かめることです。
AI外観検査の精度を左右する3つの課題|撮影・学習画像・判定基準
照明とカメラが不安定だと、学習画像を増やしても改善しにくい
金属の表面は照明の角度で傷が見えたり、反射で消えたりします。透明な樹脂では背景の色、円筒部品では回転位置が問題になります。検査したい欠陥が画像に写っていなければ、AIは判断できません。
最初の撮影では「良品・不良品を撮れたか」だけでなく、明るさ、向き、カメラ距離、焦点、搬送速度が量産条件で再現できるかを確かめます。ライン上で揺れたり、照明が汚れたりしたときも画像が安定するか。製造設備に組み込む以上、この確認はモデルの学習と同じくらい意味があります。
不良画像が少ない現場では「良品学習」も選択肢
AI外観検査の学習方法には、代表的に二つあります。不良品の傷や欠けを覚えさせる「不良学習」と、多数の良品画像から通常の範囲を学ぶ「良品学習」です。経済産業省の導入ガイドブックも、不良品を十分に集められるかどうかで導入方法を分けています。[1]
不良が珍しく、傷の形も毎回異なる場合、不良画像を大量にそろえるのは難しい。良品学習はその制約に対応しやすい方式です。ただ、良品に許される色むらや模様の幅を適切に覚えさせなければ、正常な製品までNGにすることがあります。どちらの方式でも、現場の合否基準を先に決めておく必要があります。
人によって判定が割れる不良は、AI導入前に基準をそろえる
小さな傷を「出荷可能」とする人と「NG」とする人が混在している状態では、AIが正解を学ぶことも難しくなります。傷の大きさ、場所、深さ、使用上の影響など、実際のサンプルを見ながら判定をそろえます。判断が割れる製品は保留品として人が確認する運用も考えられます。
導入効果の測り方|見逃し率・過検出率・検査工数を比べる
「精度95%」だけでは、品質保証の判断ができない
極端な例として、1,000個の製品のうち990個が良品、10個が不良品だったとします。すべてを「良品」と判定しても全体の正解率は99%になります。しかし、不良品10個はすべて見逃しています。
そのため、導入テストでは「不良を良品として通してしまう割合(見逃し率)」と「良品を不良と判定する割合(過検出率)」を分けて確認します。見逃しは品質事故につながり、過検出が多すぎれば検査員の再確認が減りません。どちらをどこまで許容できるかは製品や工程によって異なります。
検査員の工数は「撮影・再確認・段取り」を含めて測る
AIが一瞬で判定できても、製品の設置に時間がかかり、NG品の確認が増えれば、仕事全体は短くなりません。検査員の実作業時間、1個当たりの検査時間、保留率、設備停止、品種切り替え時間まで含めて測ります。
評価する指標を次のように分けると、検査精度と省人化を混同せずに済みます。
| 評価項目 | 測るもの | 導入判断での意味 |
|---|---|---|
| 不良の見逃し | 不良品のうち、良品と判定された割合 | 品質リスクを守れるか |
| 良品の過検出 | 良品のうち、NG・要確認となった割合 | 再検査が増えすぎないか |
| 人の総作業時間 | 設置・判定待ち・確認・記録・段取り | 本当に人の負担が減るか |
| 生産ラインとの整合 | 処理速度、停止、品種切替、排出 | 本番ラインで継続運用できるか |
AI外観検査の導入費用と費用対効果|装置価格と運用コストの考え方
AI外観検査の費用目安|センサータイプ70万円から、検査機タイプ200万円から
中小企業省力化投資補助金の製品カテゴリ説明では、AI外観検査用画像処理システムの参考価格として、センサータイプ70万円から、検査機タイプ200万円からと示されています。[4]
同じ製品を検査する場合でも、カメラや照明を流用できる工場と、治具や搬送設備から新設する工場では、必要な投資が変わります。すでに鮮明な画像を撮れる設備があるなら、AI判定だけを追加する方法もあります。既存ラインとの接続や保守まで含めて、どこを新しくし、どこを活かせるかを見積もることで、投資の規模が具体的になります。
| 費用の区分 | 主な内容 | 見積もりで確かめること |
|---|---|---|
| 撮影・検査設備 | カメラ、照明、レンズ、治具、検査装置 | 既存設備を流用できるか |
| AI・ソフトウェア | 学習、判定画面、ログ、品種切り替え | 不良の追加学習を誰が行うか |
| ライン連携 | 搬送、排出、設備制御、品質管理システム | ライン停止・誤排出時の対応 |
| 運用・保守 | 再学習、点検、担当者教育、通信費 | 継続費用と対応時間 |
費用対効果を試算|1個12秒の検査が4秒になったら
たとえば1日1,000個の製品を検査し、1個当たりの人の作業が12秒から4秒になると仮定します。22営業日なら、減らせる作業時間は月約48.9時間。時給相当3,000円で換算すると、工数価値は月約14.7万円です。これは特定企業の実績ではなく、計算方法を説明するための架空の試算です。
初期費用300万円、年間の保守費36万円と仮定すると、工数価値は年176万円、保守費を差し引いて年140万円。単純に割れば、約2.1年分の価値で初期費用に相当します。ただし、余った時間を別の仕事に充てるだけなら、その金額がそのまま現金の削減になるわけではありません。残業削減、外注削減、不良流出の減少など、実際の支出や品質損失への影響も分けて評価します。
AI外観検査の導入手順|1工程で検証してから量産へ
導入は、一つの検査工程を選び、画像収集・精度検証・限定運用の順に進めます。次の4段階が全体像です。
1.検査員が迷う不良と、時間がかかる工程を一つ選ぶ
最初から全製品・全ラインを対象にすると、品種ごとの撮影条件や判定基準が増え、効果が見えにくくなります。検査に時間がかかっている製品、不良が再確認に回りやすい製品など、一つの工程に対象を絞ります。現行の検査時間、処理数量、よくある傷、判断が分かれるサンプルを記録します。
2.撮影条件を決め、良品・不良品・保留品の画像を集める
先に実機に近い照明とカメラで撮影し、欠陥が画像に写るかを確かめます。次に、どの画像を良品・不良品とするかを品質保証担当とそろえます。不良品が少ない場合は、良品学習を含めて複数方式を比較します。学習画像だけで評価せず、別の日・別ロット・異なる作業者の画像も確保します。
3.検査員とAIを並行運用し、見逃しと工数を比べる
PoC(小規模な導入テスト)では、すぐにAIへ合否判断を任せません。人が検査した結果とAIの結果を比べ、見逃した不良、必要以上にNGとした良品、判定に時間がかかった画像を確認します。通常のライン速度、照明の変化、品種切り替えなども再現します。
4.設備連携と再学習の担当を決めて限定導入する
検証が良好なら一部の工程で運用を始め、撮影機の汚れ、照明の劣化、新しい品番への対応、モデルの再学習を誰が担うか決めます。異常時に手作業へ戻せる運用も必要です。人の検査時間だけでなく、不良品を流出させない体制を維持できるかが、量産導入の判断になります。
外観検査システムの選び方|既存装置・AI追加・装置新設を比較
導入方法は大きく三つあります。すでに使っている画像検査装置を改善する、既存設備にAI判定を追加する、撮影から排出までを含む装置を新しく入れる方法です。導入コストだけでなく、現場で何が変わるかで比較します。
| 方式 | 向いている状況 | 最初に確かめたいこと |
|---|---|---|
| 既存の画像検査を改善 | 寸法・位置・有無など条件を数値化できる | 照明・設定の調整で解決しないか |
| 既存設備にAIを追加 | 画像は撮れているが、傷やばらつきの判定が難しい | 画像品質、既存機との接続、追加学習 |
| AI検査装置を新設 | 人手での撮影・搬送も大きな負担になっている | 治具・搬送・排出・保守を含む総額 |
たとえば、既存装置が良品を不良と判定しすぎているなら、まず判定部分の改善で済むかもしれません。製品を手で置き直す時間が長いなら、AIだけでなく治具や搬送設備の設計も必要です。東芝ライテックのように、既存検査装置を残してAIを加えた事例は、その判断の参考になります。[2]
候補サービスを比較する際は、営業デモ用のきれいな画像だけで決めず、自社の良品・不良品・判定が割れた製品で試す方が実態に近づきます。品種が増えたときの学習作業や、故障時のサポート範囲も見積もりの中で確認します。
品質検査全般へのAI活用については、AI Front TrendのAI×品質検査の活用事例でも紹介しています。本記事では、その中でも外観検査の実装と投資判断に絞りました。
まとめ|検査員が見続ける工程を、改善に時間を使える工程へ
毎日、何千個もの製品を確認する。少しでも迷う傷があればベテランに判断を頼み、良品でも念のため再確認する。その積み重ねが、検査工程を重くしています。
AI外観検査では、撮影・一次判定・記録をシステムに任せ、人が見るべき製品を絞れます。墨田加工の目視時間36%削減、東芝ライテックの目視工数約3分の1という実績は、検査のやり方そのものを見直す余地を示しています。[1][2]
「どの傷を検出したいか」「検査員は何を判断し続けているか」「既存の装置でどこまで撮れているか」。この三つが分かれば、AIを追加すべき工程も、設備を作り替えるべき範囲も具体的になります。
製造業のAI活用・業務改善
品質を守りながら、検査に追われる時間を減らす。
いまの検査工程を活かしてどこまで自動化できるのか。撮影環境・判定基準・既存システムとの接続も含め、AI活用の進め方を相談できます。製品や工程の状況を添えて、ReAliceへお問い合わせください。
AI外観検査・製造DXについて相談する参考資料・出典
[1] 経済産業省「中小企業のためのAI導入ガイドブック 外観検査(部品、良品のみ)」(2021年3月)、墨田加工事例、10〜11ページ。 https://www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_gaikan_ryohin_FIX.pdf
[2] 東芝デジタルソリューションズ「AIによる良品学習方式を既存の外観検査装置に適用」(東芝ライテック事例)。 https://www.global.toshiba/jp/company/digitalsolution/case/articles/case2025/tlt.html
[3] 三谷産業「AIを活用した自動車部品の自動外観検査機を開発」(2024年8月26日)。 https://www.mitani.co.jp/news/240826
[4] 中小企業省力化投資補助金「AI外観検査用画像処理システム」製品カテゴリの価格目安。 https://shoryokuka.smrj.go.jp/catalog/product_catalog/
※記事中の1,000個/日・12秒→4秒・初期費用300万円などは説明用の架空試算です。各社の実績、補助金の採択価格、一般的な費用相場を示すものではありません。情報確認日:2026年11月15日。


