検査を任せてきたベテランが、もうすぐ辞める。後任は採用できず、引き継ぎの時間もない。キズや色ムラがOKかNGかは、その人の目と勘で判断してきた。
「カメラで自動判定できないか」。そう考えて調べると、「画像センサ」と「AI外観検査」という言葉が出てくる。だが違いが分からず、自社にどちらが向くのかも決められない。予算も人手も限られている。
この記事では、中小の製造現場が外観検査の自動化でつまずく本当のポイントと、お金をかけずに第一歩を踏み出す考え方を整理する。
この記事でわかること
- 「画像センサ」と「AI」の違いと、向き・不向きの考え方
- 高額なAI検査装置を入れても失敗する「過検出」の正体と、自動化の本当の壁
- 予算をかけずに属人化を解消する「スモールスタート」の進め方
なぜ今、外観検査の自動化を急ぐ現場が増えているのか
多くの中小製造業がいま直面しているのが、深刻な人手不足です。募集をかけても人が集まらず、ベテランの高齢化と退職が重なり、現場の「人の頭数」そのものが足りていません。
なかでも外観検査の工程は、「人の目」に頼りがちです。キズ・打痕・色ムラといった良否の判断は、図面の寸法のように数値で割り切れないことが多く、結果として「あの人なら一発で見抜ける」という、特定のベテランの感覚に依存した状態になりやすいのです。
これがいわゆる検査工程の属人化です。問題は、その人が辞めた瞬間に「良否の基準そのもの」が現場から消えてしまうこと。マニュアル化されていない判断基準は、引き継ぎたくても言葉にしづらく、間に合わないケースが少なくありません。
「人手不足」と「属人化の危機」――。この2つが同時に押し寄せているからこそ、目視検査からの自動化を急ぐ現場が増えているわけです。
「画像センサ」と「AI」は何が違うのか（判定ロジックの違い）
自動化を調べると必ず出てくるのが、「画像センサ」と「AI」という2つの言葉です。同じ“カメラで判定する”仕組みでも、良否を見分ける判定ロジックが根本的に違います。ここを整理しておくと、自社にどちらが向くかの見当がつきやすくなります。
画像センサ：決めた「ルール」で判定する（ルールベース）
現場で昔から使われている一般的な画像センサは、あらかじめ人が決めた「ルール（しきい値）」に沿って良否を判定する仕組み（ルールベース）です。「この位置にこの部品があるか」「寸法が範囲内か」「色や面積が基準どおりか」といった、条件がはっきりしている検査を得意とします。
判定の根拠が明快で、なぜOK・NGになったのかを後から説明しやすいのが強みです。一方で、「なんとなく違和感がある不良」「言葉にしづらい微妙なムラ」のような、ルール化しにくい対象は苦手な傾向があります。
AI外観検査：良品・不良品の画像から特徴を学習する
これに対してAIを使う外観検査は、大量の良品・不良品の画像を学習させ、その特徴をAIが自動でつかんで判定する仕組みです。ルールでは書き切れない曖昧なキズやムラにも対応できる可能性がある点が、近年注目される理由です。
ただし、学習させるための良品・不良品のサンプル画像と、「これは不良」と人が一つずつ教えていく作業が前提になります。データが偏れば判定も偏りますし、なぜその判定になったのかが見えにくい（ブラックボックス化しやすい）という側面もあります。
つまり両者は、どちらが優れているという話ではありません。基準を数値・条件で明文化できるワークならルールベースの画像センサが向きやすく、言葉にしづらい曖昧な不良が中心ならAI検査が候補になり得る、という「向き・不向き」の違いと捉えるのが実態に近いといえます。
自動化の本当の壁は「AIかルールか」ではない
ここが、この記事でいちばんお伝えしたいところです。多くの現場は「AIにすべきか、画像センサにすべきか」で悩みますが、自動化の成否は、その手前でほぼ決まってしまうことが少なくありません。
鍵になるのが、「どう撮るか」=光学系と、「ワークをどう安定させるか」=治具です。
照明とレンズ（光学系）で勝負はほぼ決まる
人の目には見えているキズも、撮り方が悪ければカメラには写りません。逆に、照明の当て方を工夫するだけで、キズや凹凸がくっきり浮かび上がることがあります。検査画像の良し悪しは、AIやセンサの性能より先に、照明とレンズ（光学系）でほぼ決まると言われるほどです。
照明の当て方や角度、レンズの選定は、ワークの素材・形状・検出したい欠陥の種類によって最適解が大きく変わります。ここは断定で決め打ちできる世界ではなく、実際のワークでテスト撮像を重ねて詰めていく領域だと考えておくと安全です。
ワークを安定させる「治具」が地味に効く
もう一つ見落とされがちなのが治具です。ワークの位置や向きが毎回ばらつくと、同じカメラ・同じ照明でも画像が安定せず、判定が荒れてしまいます。
そこで、ワークを毎回同じ位置・同じ向きで固定する治具を用意するだけで、判定精度がぐっと安定するケースがあります。派手さはありませんが、こうした地道な工夫こそが自動化の土台になります。具体的な光学系の組み合わせや検証の進め方は、実際のワークで試しながら、必要に応じて装置メーカーと一緒に詰めていくのが確実です。
【ケーススタディ】高額AI検査の罠と、泥臭いカイゼンの成功例
ある金属加工の現場での話です。属人化の解消を急ぎ、大手メーカーの大がかりなAI検査装置を、デモ機を借りてテストしました。「最新のAIなら何でも見分けてくれるはず」という期待がありました。
ところが、結果は思わぬ方向に進みます。自社のワークに付着したわずかな油膜や、細かいヘアラインまで不良として拾ってしまい、本来は出荷できるOK品まで次々に弾く「過検出」が多発したのです。検査を任せられるどころか、AIが弾いた品をベテランが再確認する二度手間になり、現場には合いませんでした。
そこで現場は発想を転換します。「全部を自動化する」のをやめ、本当に自動化したい一部の工程だけに的を絞りました。そして、予算をかけて新たな大型装置を買うのではなく、付き合いのある地場の装置メーカーへ相談。安価な標準センサと、ワークを正確に固定する治具を組み合わせた専用機をカスタマイズで製作してもらいました。
結果として、その工程の属人化は大きく解消されました。さらに、その成功体験と装置の仕組みが「うちのこのラインにも応用できそうだ」と現場の中で共有され、他のラインへ少しずつ横展開されていったといいます。
高額な最新装置ではなく、「絞り込み」と「治具」という泥臭い工夫が突破口になった――。中小工場にとって示唆に富むケースだといえます。
中小製造業が陥りやすい「よくある失敗」
- 「高額なAI検査装置を買えば全部解決する」と考える：自社のワークに合わなければ、過検出で逆に手間が増えることもあります。
- 光学系（照明・レンズ）を軽視する：撮像が安定しないままでは、どんなに高性能なセンサ・AIでも判定は荒れます。
- 治具を用意せず、ワークがばらついたまま撮る：位置や向きのブレが、そのまま誤判定につながります。
- いきなり「全工程の全自動化」を狙う：難易度も費用も跳ね上がり、頓挫しやすくなります。
- 「良品・不良品の基準」を言葉にしないまま進める：人が判断できない曖昧な基準は、機械にも判断させられません。
共通しているのは、「自動化したい中身を絞り込む前に、道具から入ってしまう」という順番のミスです。自動化は目的ではなく、属人化解消のための手段だと捉え直すと、進め方が見えてきます。
装置メーカーに頼る前に｜自社で試せる3つのスモールスタート
先ほどのケースで効いたのは、高額な装置そのものではなく、「工程の絞り込み」と「治具・光学系の工夫」でした。
とはいえ、「装置メーカーに任せれば安心」とも言い切れません。誤検出が出たり、最初の設定がわずかにずれていたために本来検出すべきNGを見逃し、また作り直し……ということも起こります。装置メーカー側も人手不足で、なかなか前に進まず、結局プロジェクトごと頓挫してしまうケースも少なくありません。
だからこそ、すべてを丸投げにせず、現場の担当者が自社で手を動かして勘所をつかんでおくことが効いてきます。過検出で振り回される前に小さく試せる、踏み込んだスモールスタートを3つ、要点を絞って紹介します。
選択肢1：DIYで検証環境をつくり「光学系の正解」を探す
ミスミなどで買えるアルミフレーム（構造材）に、安価なLEDリングライト、手持ちのスマホやWebカメラを組み合わせれば、数千円〜数万円で自作の検証環境がつくれます。
狙いは、「どう照明を当てればキズが綺麗に映るか」という光学系の正解を自社で見つけること。泥臭いやり方ですが、ここが分かると、その後どんな照明や装置を選ぶにしても話が早くなります。
選択肢2：現場主導の「ノーコードAI」で曖昧な不良を試す
AIの専門家（データサイエンティスト）に外注しなくても、現場のベテラン自身がマウス操作で「ここがキズ」と教え込める（アノテーションできる）、中小向けのノーコードAIソフト（SaaS型など）が増えています。
無料トライアルや、手持ちのWebカメラから始められるものも出てきています。ルールでは書きにくい曖昧なキズ・ムラを、ベテランの感覚ごとAIに移していく第一歩として試しやすい選択肢です。
選択肢3：後付けできる「スマートカメラ」を1工程に置く
大がかりなPCや制御盤を使わず、カメラ・照明・画像処理ソフトが手のひらサイズに一体化したスマートカメラ（エントリーモデル）を、既存のコンベアにポン付けするアプローチです。
オムロンやパナソニックなど、画像処理・スマートカメラを手がける定番メーカーから、導入しやすい一体型モデルが出ています。①や②で手応えをつかんだあと、1工程をきちんと本番運用に乗せたいときの選択肢です。
| アプローチ | 主な目的・特徴 | 初期費用の目安 | 自社での導入難易度 |
|---|---|---|---|
| ①DIY検証環境 | 照明・レンズなど「光学系の正解」を自社で探る | 数千円〜数万円 | 低（部材は身近。試行錯誤の手間はかかる） |
| ②ノーコードAI | 現場のベテランが不良を教え込み、曖昧な判定を試せる | 無料トライアル〜月額数千円〜 | 中（PC操作とサンプル準備が必要。AI専門家は不要） |
| ③スマートカメラ | 一体型を後付けし、1工程だけ自動判定を試す | 十万円台〜（メーカー製の一体型） | 中（設置・固定・設定の工夫が必要） |
※費用・難易度はあくまで目安です。どの手法も、自社のワークに本当に合うかは現場の環境によって変わるため、小さく試して見極めるのが確実です。
3つは排他的なものではありません。たとえば①で光学系の当たりをつけてから、②や③に進むと、回り道がぐっと減ります。大事なのは、いきなり完璧な装置を探すのではなく、自社のワークで小さく試して「何が映って、何が映らないのか」を自分の手でつかむこと。この経験があれば、仮に後で装置メーカーに相談する場面が来ても、あの過検出のような失敗を避けやすくなります。
まとめ｜明日、現場でまずできること
外観検査の自動化は、「AIかルールベースか」を選ぶ前に、適切な照明・レンズ（光学系）と、ワークを安定させる治具が何より効きます。そして、いきなり全自動化を狙うより、自動化したい工程を絞ったスモールスタートのほうが、結果的に属人化の解消に近づきます。
明日、現場でまずできるのは、「いまのベテランが何を見て良否を判断しているか」を書き出してみることです。OK品とNG品の現物サンプルを数点ずつ集め、「ここのキズはNG」「この程度のムラはOK」と言葉にしていく。この“基準の言語化”が、画像センサにもAI検査にも、そして自社での検証にも、そのまま土台になります。
そして、この“言語化”には、もう一つの効果があります。ベテランの判断を「見える形」に残す作業は、そのまま新人教育の土台にもなります。OK・NGの基準を言葉とサンプルで共有できれば、後任が一から勘を養うより、ずっと早く立ち上がれるはずです。
基準を言葉にできたら、次は身近な道具で小さく試す番です。スマホとリングライトで「キズが綺麗に映る当て方」を探してみる、無料トライアルのAIに数枚だけ判定させてみる――どれも、外注も大きな予算もなく、明日から自分の手で始められます。
自動化に限らず、現場のカイゼンを小さく始める考え方は、別記事『工場の「見える化」って何から始めればいい？中小製造業が今すぐできるIoT導入ガイド』でも触れています。あわせて参考にしてみてください。
コメント