外観検査AIの精度は学習データで決まる｜良品画像収集の落とし穴

外観検査AIの導入で「期待した精度が出ない」という状況に直面したとき、原因としてまず疑うべきは学習データの品質です。AIの検査精度は、モデルのアルゴリズムよりも、学習に使った画像の質に依存する割合が大きい。これは現場での導入支援を通じて繰り返し確認されてきた事実です。

本記事では、良品画像の収集段階で発生しやすい問題と、その対処法を整理します。

良品学習に必要な画像枚数と収集の現実

アダコテックが採用する良品学習（教師なし異常検知）では、初回モデル構築に150〜300枚程度の良品画像を使用します。製造現場では製品のほとんどが良品であるため、この枚数の収集自体は難しくありません。

問題は収集の「量」ではなく「質」にあります。カメラを設置して画像を自動収集すると、見た目には良品に見えても、実際には不良品が一定数混入するケースが頻繁に発生します。

これから検査機を立ち上げる段階での収集では、OK/NGの判定基準がまだ確立されていないため、収集画像が玉石混交になりやすい構造があります。

NG混入が学習に与える影響

「多少NG画像が混じっていても大丈夫では」という判断は、実際には大きなリスクをはらんでいます。

NG品が混入した状態で良品モデルを学習すると、具体的に以下の問題が発生します。

• 欠陥の流出：AIが欠陥を「正常の範囲」として学習してしまうため、同種の欠陥を見逃すようになります。
• 良否分離性能の頭打ち：正常と異常の境界が曖昧になり、精度改善に限界が生じます。
• 過学習のリスク：NG品の特徴を良品の特徴として記憶することで、特定条件下でのみ高精度に見える不安定なモデルになります。

これらは後から発覚するケースが多く、一度精度が劣化したモデルを立て直すには、画像収集からやり直す工数が発生します。学習前の画像クレンジングに投資する理由はここにあります。

目視チェックの限界：2万枚の経験から

収集画像のNG混入を排除する方法として、まず思いつくのが目視での全数確認です。しかし、この作業には構造的な問題があります。

数百枚程度であれば集中力を保てますが、枚数が増えるにつれて注意力は低下します。さらに深刻なのが判定基準のブレです。「これくらいは良品とするか」という閾値が、作業者の疲労や時間経過とともに変化していきます。結果として、同じ画像を複数回確認する必要が生じ、作業工数が跳ね上がります。

目視確認は品質保証の手段として限界を持つ作業です。チェック担当者への負荷を下げつつ、判定の一貫性を保つための仕組みが必要になります。

画像クレンジングを効率化するツール「Polaris」

こうした課題に対応するため、アダコテックは画像クレンジング支援ツール「Polaris」を開発しています。フォルダ内の大量画像を一括で読み込み、画像間のバラつきの度合いを可視化することで、目視確認にかかる工数と判定基準のブレを大幅に削減します。

操作の流れ

バラつきが大きい箇所をヒートマップ上でクリックすると、該当領域の統計情報がヒストグラムで表示されます。外れ値の画像が一目で特定できるため、確認すべき画像に絞って目視を行えます。

ヒストグラムの外れ値部分をクリックすると該当画像が右側に表示され、その場で削除（別フォルダへの移動）を実行できます。

削除後は「再計算」ボタン一つで残存画像の統計情報が更新されます。この作業を繰り返すことで、段階的に高品質な学習データセットに整備できます。

作業完了後に「結果出力」を実行すると、クレンジング済み画像と除外画像が別フォルダに自動分類されます。

応用的な使い方

Polarisは学習前の画像整備だけでなく、稼働中の検査機の品質確認にも活用できます。現行検査機がOK判定した画像をまとめて読み込むことで、欠陥流出の兆候を統計的に検出したり、NG判定画像から過検出パターンを特定したりする用途にも対応しています。

学習データの品質管理を工程として設計する

AI外観検査の導入プロジェクトで精度が伸び悩むとき、モデルのアルゴリズムや学習枚数に目が向きがちです。しかし根本的な原因が学習データの品質にある場合、アルゴリズムを変えても問題は解決しません。

画像収集・クレンジング・品質確認を一連の工程として設計し、それぞれに適切な手段を用意することが、安定した検査AIを構築する上での前提条件です。学習データの品質管理は、AI導入プロジェクトのコア工程として位置づける必要があります。

Polarisの詳細や、外観検査AIの導入に関するご相談は、アダコテックまでお気軽にお問い合わせください。