外観検査AIの種類と選び方｜ディープラーニングとの違いを解説

「外観検査にAIを導入したい」という検討が進む中で、「どのAIも同じではないか」という疑問を持つ現場担当者は少なくありません。実際には、一口に外観検査AIといっても、使われているアルゴリズムは複数あり、得意な課題・必要な環境・運用コストはそれぞれ大きく異なります。

本記事では、外観検査AI業界で使われている主な手法を整理し、導入前に知っておくべき選定のポイントを解説します。

外観検査における「AI」とは何を指すか

まず前提として、業界での「AI」という言葉の使われ方を整理します。

広義のAIは「人の知覚や知性を人工的に再現するもの」を指すため、ルールベースの画像処理もAIの一形態と捉えることができます。しかし外観検査の現場では、ルールベースとAI（機械学習）は明確に区別されているのが実態です。

ルールベースは人が判定条件を定義する手法、機械学習ベースのAIはデータからパターンを自動的に学習する手法——この区別を前提として、以降の解説を読んでいただくと理解しやすくなります。

外観検査AIの主な手法と特性

機械学習ベースの外観検査AIは、大きく「ディープラーニング系」と「それ以外」に分類できます。さらに、学習方法として「教師あり学習」と「教師なし学習（良品学習）」という軸があります。

ディープラーニング

現在、市場に出回る外観検査AIの多くがディープラーニングを採用しています。多層のニューラルネットワークが画像から複雑な特徴を自動抽出するため、微細なテクスチャ欠陥や形状の複雑な判定など、高い表現力を要する検査に強みを持ちます。

一方で、モデルの学習・推論にはGPUを搭載した高性能PCが必要になるケースがほとんどです。また、事前学習済みモデルやフレームワーク（PyTorchなど）の環境構築・保守といった運用負荷も伴います。教師あり学習の場合は、良品画像に加えてNG品画像も一定数必要になります。

HLAC＋部分空間法

アダコテックが採用しているHLAC（高次局所自己相関）＋部分空間法は、ディープラーニングとは異なるアプローチです。数学的に設計された固定のマスクパターンで画像の局所的な特徴を抽出するため、ニューラルネットワークによる学習を必要としません。

この設計により、GPU不要・汎用CPUのみで動作します。また良品画像だけで学習できる教師なし（良品学習）方式を採用しているため、NG品画像の収集が難しい立ち上げ初期でも検査モデルを構築できます。必要な良品画像は最低10枚程度から、多くの場合150〜300枚程度で実用的な精度を達成します。

ただし、人の顔認識のような複雑な識別や、高度な意味理解を要する課題への適合性はディープラーニングに劣ります。部品の有無・位置ずれ・表面の異常検知など、「正常からの逸脱を捉える」用途に向いた手法です。

エッジAI（軽量モデル）

近年は、CPUのみで動作し現場のエッジ端末上で学習・推論まで完結できる製品も登場しています。解ける課題は限定されますが、クラウドやサーバーへの接続が難しい環境や、導入・運用のハードルを最小化したい場合には有力な選択肢です。画像検査を初めて導入する現場にとって、転ばぬ先の杖として機能します。

教師あり・教師なしの違いと現場への影響

AIの手法選定において、もう一つ重要な軸が「教師あり」か「教師なし」かという学習方式の違いです。

教師あり学習

良品画像とNG品画像の両方を使い、「これはOK」「これはNG」とラベルを付けて学習させる方式です。判定基準を明示的に学習させるため、特定の欠陥種別に対して高い精度を発揮します。

課題は、NG品画像の収集コストです。検査機の立ち上げ直後はNG品が十分に集まっていないケースが多く、また欠陥の種類が多様な製品では、全パターンを網羅するデータ収集に時間と工数がかかります。想定外の欠陥パターンが現れた際には、追加学習が必要になります。

教師なし学習（良品学習）

良品画像だけでモデルを構築し、そこからの統計的な逸脱を異常として検出する方式です。NG品を事前に定義する必要がないため、「どんな欠陥が出るか分からない」製品や工程でも検査モデルを立ち上げられます。

一方で、欠陥の種類を分類したり、特定のNG種別だけを高感度で捉えたりする用途には教師あり学習の方が適しています。良品内のばらつきが大きい製品では、過検出（正常品をNGと判定する）が増えやすい傾向もあります。

手法選定の判断基準：4つの問い

外観検査AIの手法を選ぶ際、以下の4つの問いに答えることで適切な候補を絞り込めます。

• NG品画像を収集できるか：収集できる場合は教師あり学習の選択肢が広がります。収集が難しい場合は教師なし（良品学習）が前提になります。
• GPU環境を用意・維持できるか：ディープラーニングの多くはGPU環境が必要です。現場のPC環境や調達・保守コストを踏まえて判断します。
• 検出したい欠陥の複雑さはどの程度か：微細なテクスチャ異常や高度な形状判定が必要なら表現力の高いディープラーニングが有利です。部品の有無・位置ずれ・表面の粗さ検知であれば、HLAC系の軽量な手法で対応できるケースが多いです。
• 現場担当者が自律的に運用できる必要があるか：製品切り替えのたびにモデルを再構築する場合、フレームワーク環境の知識が不要で現場PCで完結する軽量手法の方が運用負荷を抑えられます。

アダコテックのアプローチ

アダコテックは、HLAC＋部分空間法を核とした外観検査AIを提供しています。GPU不要・良品画像のみで学習可能という特性は、「導入したいが環境面・データ面でハードルがある」という現場の課題に対して、技術的に異なるアプローチで応えるものです。

一方で、高い表現力が必要な課題や、欠陥種別の分類を主目的とする用途では、ディープラーニングベースの手法が適している場合もあります。重要なのは手法の優劣ではなく、検査課題の性質と現場の運用環境に合った選択をすることです。

どの手法が自社の課題に合うか判断に迷う場合は、アダコテックまでお気軽にご相談ください。検査課題の整理から手法選定まで、現場の状況を踏まえた対話を通じてお手伝いします。