外観検査AIの過検出を減らす方法｜原因の切り分けと追加学習の進め方

外観検査AIは、一定の検査性能を確認したうえで運用を始めるのが一般的です。しかし実際の製造ラインでは、材料ロットの切り替わりや製造条件の変化によって、導入時には想定していなかった良品のばらつきが現れます。運用開始後に一度も調整を行わずに済む現場は、ほとんどないといってよいでしょう。

こうしたときには追加学習や判定基準の見直しを行いますが、学習画像を増やすだけでは期待した改善につながらないケースも少なくありません。過検出の原因が撮影環境にある場合は追加学習では根本的に解消されず、学習の進め方によっては、これまで検出できていた欠陥を見逃すようになることもあります。

本記事では、過検出や見逃しが起きたときに追加学習の前に確認しておきたいポイントと、原因に合った調整の進め方を、導入時と運用開始後の場面に分けて解説します。

過検出・見逃しの原因を切り分ける全体像

過検出や見逃しへの対処は、まず原因がどこにあるのかを切り分けることから始まります。代表的な症状と確認ポイントを整理すると、次のようになります。

表の上から順に確認していくと、撮影環境という「システム側」の要因と、製品そのもののばらつきという「AIの学習で吸収すべき」要因を分けて扱えます。以降の章では、それぞれの考え方を順に解説します。

導入時に「必ず検出したい欠陥」の基準を決めておく

外観検査AIを導入する際、最初に決めておきたいのが「どの程度の欠陥まで検出する必要があるのか」という検出基準です。キズの検査であれば、どの大きさ・どの濃さのキズまでを検出対象とするのかを定めます。

「欠陥がまったくないこと」を基準にしたくなるかもしれませんが、あらゆる微小な変化を欠陥として扱うと、良品の正常なばらつきとの区別がつかなくなり、過検出が増えて運用の負荷が大きくなる傾向があります。検出すべき欠陥の限界を現実的なラインで定めることが、安定した運用の前提になります。

この検出基準は、言葉で定義するだけでなく、実際の欠陥画像で共有しておくことが重要です。「このキズは検出する」「このキズは許容する」という具体例があることで関係者の認識がそろい、後の再調整でも判断の拠り所になります。

限界に近い欠陥画像を重視して調整する

初期調整では、発生頻度が高い欠陥や、検出しやすい欠陥の画像を中心に使ってしまうことがあります。「よく発生する欠陥の画像を使った」「まずは手元にある画像を多く使った」という進め方です。

この場合、目立つ欠陥は検出できても、細かな欠陥を検出できないモデルになる可能性があります。特に、欠陥画像を使ってAIのパラメータを調整する方式では、評価にどの欠陥を使うかによって選ばれる調整条件が変わります。

そこで重視したいのが、「これだけは必ず検出したい」という限界に近い欠陥画像です。こうした画像の収集には手間がかかりますが、後工程での手戻りが減るため、調整工数全体で見ると負担を抑えやすくなります。導入時に検出基準を明確にしておけば、運用開始後の再調整でも「守るべき検出性能」がはっきりします。

過検出が増えたら、まず撮影環境の変化を確認する

運用開始後に良品の過検出が増えた場合、最初に行いたいのが原因の切り分けです。すぐに追加学習を行うのではなく、まず学習時に使った良品画像と、現在過検出が発生している画像を見比べます。確認したいポイントは次のとおりです。

• 照明の明るさや角度が変わっていないか
• 外乱光（窓からの光、周辺設備の照明など）の影響を受けていないか
• ワークの撮影位置や向きがずれていないか
• レンズや保護カバーに汚れが付着していないか

ここで大切なのは、「システム側の問題は、できる限りシステム側で解決する」という考え方です。たとえば外乱光によって画像の明るさが不安定になっているなら、まずは照明や遮光の改善を検討します。こうした撮影条件の変化まで追加学習で吸収しようとすると、AIが学習する良品のばらつきが必要以上に広がり、欠陥との区別がつきにくくなります。

照明による見え方の違いについては、外観検査の照明選定で詳しく解説しています。撮影環境を安定させたうえで、それでも残る製品そのもののばらつきに対して、AIの再調整を検討します。

良品のばらつきによる過検出は、少数ずつ追加学習する

撮影環境に変化がなく、製品そのもののばらつきによって過検出が起きている場合は、追加学習が選択肢になります。ここでは、良品画像から正常な特徴を学習する良品学習型AIを例に説明します。良品学習型AIが何を学んでいるのかについては、外観検査AIの異常検知とはで解説しています。

優先するのは「明らかな良品なのに異常値が高い画像」

良品学習型AIの多くは、検査対象が学習した良品の状態からどの程度離れているかを、異常値として算出します。

追加学習で優先したいのは、明らかな良品であるにもかかわらず、異常値が極端に高く算出されている画像です。撮影環境に問題がないことを確認したうえでこうした画像を加えると、AIがまだ捉えきれていなかった良品の特徴を補える可能性があります。

判定の境界付近にある良品は、性能確認とセットで加える

次に検討するのが、OKとNGの判定が安定しない、境界付近の良品画像です。こうした画像を加えることで、過検出が改善する場合があります。

ただし、境界付近の画像を一度に多く加えると、AIが学習する良品の範囲が広がりすぎ、軽微な欠陥まで「いつもの範囲」に含まれてしまうことがあります。限度ぎりぎりの品を学習させる際の注意点は前述の異常検知の記事でも触れていますが、加える場合は少数に絞り、次の章で紹介する性能確認と必ずセットで進めることをおすすめします。

追加学習では、今回の過検出が減ったかどうかだけでなく、導入時に確認した欠陥を引き続き検出できているかを確認します。

見逃しへの調整は、学習方式によって異なる

次に、検出したい欠陥を見逃した場合です。対応方法は、AIの学習方式によって異なります。

欠陥を学習するAIの場合

不良品の画像を使って学習する方式では、見逃した欠陥の画像を学習データに加えて再調整するのが基本的な対応です。

このとき、画像を追加するだけでなく、見逃した欠陥がどのような特徴を持つのか（大きさ、濃さ、発生位置、形状など）を確認することが重要です。既存の学習データとのバランスや、似た欠陥の検出性能への影響も見ながら調整します。

良品学習型AIの場合

良品学習型AIは良品の状態を学習する仕組みのため、見逃しに対しては、学習データの調整よりも判定しきい値の見直しが主な調整手段になります。しきい値を厳しくすれば検出感度は上がりますが、その分、良品の過検出も増えやすくなります。感度と過検出のバランスを、評価用の画像で確かめながら調整します。

また、良品の追加学習によって良品の特徴がより正確に捉えられるようになると、欠陥との違いが明確になり、結果として検出性能が改善する場合もあります。

なお、欠陥を学習する方式と良品学習型の特性の違いは、外観検査AIの種類と比較で整理しています。

再調整の前後で、以前の検出性能が保たれているか確認する

再調整で特に注意したいのは、目の前の問題を解決した結果、別の問題が生じることです。たとえば、過検出を減らすために良品を追加学習したところ、これまで検出できていた欠陥を見逃すようになる、というケースです。

評価用の画像セットを残しておく

こうした事態を防ぐために、導入時に検出を確認したNG画像と、代表的な良品画像を評価用として保存しておくことをおすすめします。そのうえで、再調整の前後で次の2点を比較します。

• 今回問題となった過検出や見逃しが改善しているか
• これまでの良品・不良品の判定性能が維持できているか

特に、導入時に定めた「必ず検出したい欠陥」が再調整後も検出できていることは、欠かさず確認したいポイントです。新しい問題を解決しながら、これまでの検出性能を守ることが、外観検査AIを安定して運用するための要点になります。

長期運用では学習画像の整理も選択肢になる

良品学習型AIで追加学習を繰り返すと、学習画像は少しずつ増えていきます。データ量が大きくなった場合や、運用が数年単位に及ぶ場合には、過去の学習画像を整理することも選択肢になります。いわば、現在の工程に合わなくなった情報を「忘れさせる」メンテナンスです。

削除の候補になるのは、特定の時期に偏った画像や、現在の製造条件では現れなくなった特徴を持つ画像などです。頻繁に行う作業ではなく、必要に応じて実施するメンテナンス項目として位置づけておくとよいでしょう。学習画像の選別を仕組みで行う方法については、良品学習AIのモデル設計と「正常蒸留」で紹介しています。

まとめ：追加学習の前に、原因に合った対処を選ぶ

外観検査AIの過検出や見逃しへの対処で押さえておきたいのは、次の3点です。

• 撮影環境の問題と、製品のばらつきによる問題を切り分ける
• 追加学習では、枚数よりも「どの画像を学習させるか」を重視する
• 再調整の前後で、導入時に定めた検出性能が維持されているかを確認する

外観検査AIの精度改善は、学習画像を増やせばよいというものではありません。製造現場で何が変化したのかを確認し、その原因に合った調整を選ぶことが、過検出を減らしながら欠陥を見逃さない運用につながります。

---

よくある質問

外観検査AIの過検出の原因は何ですか？

大きく分けて、照明や外乱光、撮影位置、レンズの汚れなど撮影環境の変化によるものと、材料ロットや製造条件など製品そのもののばらつきによるものがあります。まず学習時の良品画像と過検出が起きている画像を見比べ、どちらが原因かを切り分けます。

過検出を減らすには、追加学習をすればよいのですか？

原因が撮影環境の変化にある場合は、追加学習では根本的に解消されません。照明や遮光、設置状態の見直しなど、システム側の問題はシステム側で解決するのが基本です。製品のばらつきが原因の場合は、明らかな良品なのに異常値が高い画像を優先して、少数ずつ追加学習します。

追加学習で欠陥を見逃すようになることはありますか？

あります。良品の追加学習で学習範囲が広がりすぎると、軽微な欠陥まで「いつもの範囲」に含まれてしまうことがあります。導入時に検出を確認したNG画像と代表的な良品画像を評価用に保存しておき、再調整の前後で検出性能が維持されているかを確認します。

外観検査AIの運用に関するご相談

アダコテックの良品学習AI「AdaInspector」は、良品画像だけで学習でき、GPUを使わずCPUで高速に判定する外観検査AIです。良品学習型AIによる外観検査の導入や、運用中の過検出・見逃しへの対応など、外観検査に関するご相談はお問い合わせフォームから、製品の詳しい資料は資料ダウンロードからお気軽にどうぞ。各製品の概要は、この下の製品一覧からご覧いただけます。