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。

投稿 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 は 株式会社アダコテック｜外観検査AI に最初に表示されました。

欠陥ではなく、良品を学習する

機械学習で欠陥を見つけようとするとき、素直に考えれば「欠陥を学習させる」ことになります。しかし欠陥の見た目は一定ではありません。傷、打痕、異物、欠けと種類が多いだけでなく、たとえば「傷」一つとっても、形も長さも深さも向きも毎回違います。パターンは事実上無数にあり、学習に足る数を網羅的に集めることは現実的ではありません。

そこで発想を逆にしたのが良品学習です。日々安定して手に入る良品だけを学習し、そこから逸脱したものを「異常」として検出します。 不良サンプルがほとんど無い工程でも立ち上げられます。この仕組みは「異常検知」と呼ばれる技術です。手法どうしの比較は「外観検査AIの種類と比較」で解説しているので、本記事はこの異常検知の中身に絞ります。

AIが学んでいるのは「いつもの姿」

良品学習型AIは、学習画像から「良品はいつもこういう姿をしている」という分布を作ります。検査時には、目の前のワーク（検査対象物）が分布の中心からどれだけ離れているか（逸脱度）を測り、大きく逸脱していれば異常と判定します。

ここでは説明のため、画像から取り出した特徴を「表面のムラ指標」という架空の1次元の数値に単純化します。日常の良品が平均40、ばらつき（標準偏差σ）4に分布しているとすると、たとえば「平均より3σ以上大きければ異常」と決めれば、しきい値は52になります。実際のAIは多次元の特徴量で同じことをしています。しきい値の決め方自体は手法や製品によってさまざまですが、学習した分布が土台になる点は変わりません。

押さえておきたいのは、AIは「ここまでが合格」という合否の境界を学んでいないという点です。学んでいるのは良品の分布だけです。言い換えると、学習が作っているのは逸脱度を測る「ものさし」であり、しきい値はそのものさしのどの目盛りで切るかという後づけの話です。そしてAIは、見せられた良品だけから「いつも」を推定するため、見せ方しだいで、ものさしは狭すぎにも広すぎにも歪みます。ここからは、ものさしが現場でどう歪むか――避けられない「狭すぎ」と、やってはいけない「広げすぎ」――を順に見ていきます。

まず直面するのは「狭すぎ」による過検出

学習を始める時点で手元にあるのは、直近の1ロット分だけ、条件の揃った短期間の品だけ、ということがほとんどです。限られた良品で学習すると、AIが学ぶ「いつも」のばらつきは工程全体のばらつきより小さくなります。できあがるのは、正常なばらつきまで異常と読み取ってしまう、狭すぎるものさしです。しきい値は内側に寄り、日常の正常なばらつきまで異常と判定されます（この例では良品の約16%）。

これは失敗というより、避けて通れない出発点です。工程の全ばらつきを最初から網羅した良品セットは、まず手元にありません。しかも工程は生きています。材料ロットの切り替わりや設備の状態で「いつも」自体が少しずつ動き、順調だったAIが過検出を増やし始めることもあります。ですから良品学習型AIは、狭いものさしから出発し、実態に合わせて広げていく前提で運用します。広げ方は後述するとして、先に、このときやってはいけない広げ方を押さえておきます。なお、偏った学習データと過検出の関係は外観検査AIの過学習とはで詳しく解説しています。

やってはいけないのは、限度ぎりぎりの品で一気に広げること

過検出が続くと、「ここまではOKだとAIに教えたい」と、良品限度見本ぎりぎりの品を集めて一気に学習させたくなります。人に検査基準を教えるときと同じ、善意の発想です。

しかしAIはそれを境界とは受け取りません。「こういう品がいつも流れている」と受け取ります。 例えば下の例のように稀にしか出ない限度ぎりぎりの品が学習データの3割を占めると、分布は右へ広がり、しきい値は54から62近くまで外側へ動きます。すると、限度品よりわずかに悪い「軽微な不良」が「いつもの範囲」に入ってしまい、見逃されます。明確な不良は捕まるため、運用がしばらく進むまで気づきにくい失敗です。

さらに厄介なことに、これはしきい値を調整し直せば済むとは限りません。実際のAIでは、限度ぎりぎりの品を大量に見せられると、そうした品と普通の良品を区別しないものさしができあがってしまい、分布そのものが軽微な不良側まで滲んでしまうため、しきい値をどこへ動かしても両者を測り分けられなくなることがあります。

品質管理に馴染みのある方なら、工程能力指数（Cpk）を求めるとき、わざわざ限度見本のデータを混ぜてばらつきを計算する人はいない、と考えると腑に落ちるのではないでしょうか。

運用の中で「いつもの姿」に近づけていく

目指す状態ははっきりしています。日常のラインを流れる良品が、生産の実態どおりの比率で学習されていることです。

この状態へ一足飛びには行けないので、実践では運用しながら近づけます。軸になるのは、過検出されたワークのうち「どう見ても良品」のものを学習データに取り込み、再学習することです。この繰り返しで、ものさしが実態のばらつきを覚えていきます。工程の変化で「いつも」が動き、過検出が増えてきたときも対応は同じで、それはものさしを実態に合わせ直す合図です。取り込んだ良品画像が蓄積してきたら、どれを学習に使うかの選別を「正常蒸留」という新しいアプローチのような仕組みに任せる方法もあります。

気をつけたいのは、「教えたいから」と限度ぎりぎりの品を恣意的に混ぜないことです。前章の失敗を小分けに繰り返すことになります。限度見本はここでは学習には混ぜず、学習後の判定を確かめる材料として使う方が有効です。

よくある質問

外観検査における異常検知とは何ですか？

良品だけを学習して「いつもの姿」を把握し、そこから大きく外れたものを異常として検出する技術です。欠陥の見た目は種類も形も毎回異なり、学習に足る数を網羅的に集めるのが難しいため、日々安定して手に入る良品を学習する方法がとられます。不良サンプルがほとんどない工程でも立ち上げられるのが特徴です。

良品学習型AIは何を学習しているのですか？

良品の特徴がどのように分布しているか、つまり「良品はいつもこういう姿をしている」という分布を学習しています。「ここまでが合格」という合否の境界を学んでいるわけではありません。検査時には、ワークが分布の中心からどれだけ離れているか（逸脱度）を測って判定します。

しきい値はどのように決まるのですか？

学習した良品の分布をもとに、逸脱度のどこで線を引くかを決めます。本記事の例では「平均より3σ以上離れたら異常」としていますが、実際の決め方は手法や製品によってさまざまです。どの方法でも、学習した分布が土台になる点は変わりません。

良品限度見本は学習データに入れるべきですか？

学習データには入れず、学習後の判定を確かめる材料として使う方が有効です。限度ぎりぎりの品を多く学習させると、AIはそれを「いつも流れている品」と受け取り、分布が広がって軽微な不良を見逃す原因になります。

立ち上げ直後に過検出が多いのはなぜですか？

最初に手元にある良品は、直近のロットや短期間のものに限られることが多く、AIが学ぶばらつきが工程全体より小さくなるためです。過検出されたワークのうち「どう見ても良品」のものを学習データに取り込み、再学習を繰り返すことで、実態に近づけていきます。具体的な進め方は「外観検査AIの過検出を減らす方法」で紹介しています。

まとめ：AIに教えるのは「合格の範囲」ではなく「いつもの姿」

良品学習型AIの学習データ集めで迷ったら、次の3点に立ち返るのが有効です。

• 良品学習型AIが学ぶのは合否の境界ではなく、良品の「いつもの姿」（分布）である
• 立ち上げ期や工程が変化したあとの過検出は避けられない。過検出された「どう見ても良品」を学習に取り込みながら、ものさしを実態に合わせて広げていく
• 「ここまでOK」と限度ぎりぎりの品を教え込むのはNG。分布が広がりすぎて、軽微な不良の見逃しにつながる

「どこまでOKか」を一度に教え込むのではなく、工程の「いつも」を運用の中で少しずつ見せていくことが、良品学習型AIの性能を引き出す近道です。

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学習データの設計など、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。

投稿 外観検査AIの異常検知とは｜良品学習型AIは「どこまでOK」を学ばない は 株式会社アダコテック｜外観検査AI に最初に表示されました。

本記事では、良品学習AIにおけるモデル設計の考え方と、学習枚数を抑えながら精度を維持するアダコテック独自の技術「正常蒸留」を紹介します。

良品学習AIと欠陥学習AIの違いのイメージ

モデルを分けるべきケース：生産ラインとカメラ・レンズ

良品と一口に言っても、内部にはさまざまな変化が含まれています。生産ロットによる特徴の変化、複数ラインごとの違い、切削品における工具寿命の影響、寸法公差内でのばらつきなど、要因は多岐にわたります。

生産ラインごとに製品特徴がばらつく場合は、トレーサビリティ（履歴管理）の仕組みを活用し、ライン単位でモデルを分けて構築する方が運用は安定しやすくなります。1つのモデルにライン間の差異まで含めてしまうと、正常の範囲が過度に広がり、本来検出すべき異常への感度が下がるためです。

同様に、カメラやレンズが異なる場合は、それぞれで学習モデルを分けて作成することが基本になります。レンズや照明には個体差（倍率や明るさの違い）があり、精密な検査ではモデルの転用が難しいケースが多いためです。

1つのモデル内で網羅すべき範囲

一方で、切削工具の寿命による外観変化、寸法公差内のばらつき、ロットごとの変動は、原則として1つの学習モデル内で網羅する必要があります。これらは「公差の範囲内で正常」として扱うべき変化であり、変化のたびにモデルを切り替える運用は現実的ではありません。

1つのモデルで学習する良品バラつきの範囲

画像収集の段階では、この「モデルを分けるべき境界」と「1つのモデル内に含めるべき変化の幅」を意識して計画することが重要です。境界の引き方を誤ると、後工程でモデルの再設計が必要になり、手戻りが発生します。

なお、良品画像の収集・選定において「枚数を増やせば精度が上がるとは限らない」という点は別記事（外観検査AIの過学習とは｜良品画像収集の落とし穴）で詳しく解説しています。本記事のモデル設計と合わせて確認いただくと、画像収集の全体像がつかみやすくなります。

やみくもな学習が招くリスク

学習範囲を適切に設計できたとしても、集めた画像をすべて学習させることが最善とは限りません。特定ロットの画像に偏って学習すると、ロット変更時に過検出が増加するといった問題が現場では起こります。

大量の画像を学習させた際の副作用

また、追加学習を重ねるほど推論時間が延びていくという副作用もあります。運用開始時と比べて処理が重くなっていく状態は、現場での使い勝手を損なう要因になります。

追加学習のリスク

「正常蒸留」技術とは

こうした課題に対応するため、アダコテックは「正常蒸留」という独自技術を開発しています。情報を圧縮し、良品の重要な特徴だけを抽出する技術で、例えば1,000枚の画像で学習していた場合でも、より少ない枚数で同じ特徴を表現できる画像の組み合わせを自動的に選び出します。

良品特徴の認識の様子

学習枚数を減らしながら精度を維持できるため、モデルの軽量化と推論速度の両立につながります。

蒸留後の正常空間のイメージ

正常蒸留ツールは現在試験導入中です。ご興味をお持ちのお客様には個別にご紹介が可能ですので、お気軽にお問い合わせください。

モデル設計を最初に固めることの重要性

良品学習AIの精度は、画像の集め方だけでなく、モデルをどの単位で構築するかという設計判断に大きく左右されます。生産ライン・カメラ／レンズ単位での分割の要否を早い段階で見極め、1つのモデル内で網羅すべき変化の幅を明確にしておくことが、後戻りのない導入につながります。

モデル設計の考え方や正常蒸留技術の詳細について、外観検査AI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。

投稿 学習画像をどう選ぶか｜「正常蒸留」という新しいアプローチ は 株式会社アダコテック｜外観検査AI に最初に表示されました。

本記事では、良品学習型の外観検査AIで過学習が起きるメカニズムと、過検出を防ぐために画像収集で本当に重視すべき視点を整理します。

良品学習・過学習・過検出の関係

はじめに、本記事で扱う3つの言葉の関係を整理します。

• 良品学習：良品画像だけを使ってモデルを構築し、そこからの逸脱を異常として検出するアプローチです。教師なし異常検知とも呼ばれます。
• 過学習：モデルが学習データの特定のパターンに過剰に適合し、学習時に見ていないデータへの対応力（汎化性能）を失った状態です。
• 過検出：正常品を不良と誤って判定することです。現場では「合格するはずの製品がNGになる」という形で表面化します。

良品学習では、学習に使った良品画像が偏っていると過学習が起き、その結果として過検出が増える、という因果関係があります。つまり、過検出の原因が画像の集め方にあるケースは少なくありません。

「画像を集めれば精度が上がる」という誤解

良品学習（教師なし異常検知）は、良品画像だけを使ってモデルを構築するアプローチです。この特性から、「良品画像をたくさん集めれば、それだけモデルの精度は上がるはず」と考えられがちです。

しかし、実際に精度を左右するのは枚数そのものではなく、集めた画像が製造ラインで起こりうる正常なばらつきをどれだけ代表しているかです。同じ条件・同じタイミングで撮影した似通った画像を1,000枚集めても、そこに含まれる情報の幅は、多様な条件で撮影した100枚と大きく変わらないことがあります。

過学習が起きるメカニズム：偏った良品画像が引き起こす過検出

過学習とは、モデルが学習データの特定のパターンに過剰に適合し、未知のデータへの汎化性能を失った状態を指します。良品学習においては、以下のような形で現れます。

• 特定の照明条件・時間帯に偏った画像収集：朝一番のロットだけ、あるいは特定の作業者が扱った製品だけを集めてしまうと、モデルはその条件を「正常の全て」として記憶してしまいます
• 個体差のごく一部しか含まれていない収集：製造ラインでは、材料ロットの違いや微細な加工条件の変動によって、良品の中にも自然なばらつきが存在します。この幅を画像収集の段階で十分に捉えられていないと、モデルは「正常の範囲」を実際より狭く学習してしまいます

この結果として起きるのが過検出です。学習時に見ていなかった正常なばらつき（照明のわずかな違い、個体差の範囲内の色ムラなど）を、モデルが「異常」として誤って判定してしまいます。現場では「なぜか合格するはずの製品がNGと判定される」という形で表面化します。

必要なのは「量」より「多様性」

過学習を避けるために重要なのは、画像の枚数を増やすことではなく、製造ラインで実際に起こりうる正常なばらつきの幅を、収集段階でどれだけ網羅できるかです。

具体的には、以下のような観点で収集タイミング・条件を意図的に散らすことが有効です。

• 複数の日・複数の時間帯にまたがって収集する（照明環境や気温変化による微細な影響を含めるため）
• 複数の材料ロットにまたがって収集する（ロット差による色味・質感の違いを含めるため）
• 複数の作業者・複数の搬送タイミングにまたがって収集する（人や設備由来のわずかな個体差を含めるため）

枚数を増やすこと自体が悪いわけではありませんが、「同じ条件を重ねて集めた1,000枚」より「条件を散らして集めた200枚」の方が、結果的に安定したモデルにつながるケースは少なくありません。

良品のばらつきをどう捉えるか：現場での画像収集の考え方

良品学習を成功させるためには、画像収集を始める前に、次の問いを整理しておくことが役立ちます。

• この製品ラインでは、どんな要因で正常な見た目のばらつきが生まれるか：材料ロット、照明、搬送速度、季節による温湿度変化など
• そのばらつきの幅を、収集期間・収集条件でどれだけ再現できているか：1日だけの収集で終わらせず、複数日・複数条件にまたがった収集計画を立てる
• 収集した画像に、意図しない偏りが生じていないか：特定の時間帯や特定の担当者の製品だけに偏っていないかを事後的に確認する

この整理を怠ると、後になって「精度が頭打ちになった」「過検出が多発する」といった問題が表面化してから、画像収集をやり直すことになり、プロジェクト全体の手戻りコストが大きくなります。

なお、画像収集にはもう一つの落とし穴があります。良品として集めたつもりの画像に、NG品が混ざってしまう問題です。こちらは過検出ではなく欠陥の見逃しにつながるため、別の対策が必要になります。詳しくは「学習画像へのNG混入と画像クレンジング」で解説しています。

運用中に過検出が増えてきたら

立ち上げ時には問題がなかったのに、運用を続けるうちに過検出が増えてくることもあります。その場合は、すぐに画像を追加して再学習するのではなく、まず過検出の原因を切り分けることが大切です。学習データの偏りによるものか、照明や設備など撮影環境の変化によるものかで、取るべき対応が変わるためです。確認の手順は「外観検査AIの過検出を減らす方法」で詳しく紹介しています。

よくある質問

良品学習とは何ですか？

良品画像だけを使って「正常」の特徴を学習し、そこから外れたものを異常として検出するAIのアプローチです。教師なし異常検知とも呼ばれ、NG品画像を事前に集めなくても検査モデルを構築できる点が特徴です。

外観検査AIの過学習とは何ですか？

モデルが学習データの特定のパターンに過剰に適合し、学習時に見ていないデータにうまく対応できなくなった状態です。良品学習では、偏った条件で集めた良品画像だけで学習すると、正常の範囲を実際より狭く覚えてしまい、過検出の原因になります。

過検出とは何ですか？

正常な製品を不良と誤って判定することです。良品学習では、学習時に含まれていなかった照明のわずかな違いや個体差の範囲内の色ムラなどを、AIが異常と判定してしまうことで起こります。

良品画像は何枚くらい集めればよいですか？

必要な枚数は製品や検査の内容によって異なりますが、枚数より重要なのは、正常なばらつきの幅をどれだけ網羅しているかです。同じ条件で集めた1,000枚より、日・時間帯・材料ロット・作業者などの条件を散らして集めた200枚の方が、安定したモデルにつながるケースは少なくありません。

過学習を防ぐにはどうすればよいですか？

画像収集の前に、その製品ラインで正常な見た目のばらつきが生まれる要因を洗い出し、複数の日・時間帯・材料ロット・作業者にまたがって収集する計画を立てます。収集後は、特定の条件に偏っていないかを確認します。

まとめ：良品学習を成功させる画像収集の視点

良品学習における画像収集は、枚数を追い求める作業ではなく、正常なばらつきの幅を代表するサンプルを設計する作業です。過学習と過検出のリスクを避けるためには、収集タイミングや条件を意図的に散らし、製造ラインの実態を反映したデータセットを構築することが重要になります。

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。画像収集の計画づくりや、過検出に悩んでいる検査の見直しなど、外観検査に関するご相談はお問い合わせフォームからお気軽にお寄せください。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。

投稿 外観検査AIの過学習とは｜良品学習で過検出を防ぐ画像の集め方 は 株式会社アダコテック｜外観検査AI に最初に表示されました。

本記事では、同じ金属プレス板をドーム照明・面照明・同軸照明・リング照明・ローアングル照明・角型ローアングル照明の6種類で撮り比べた実験データをもとに、それぞれの光の特性と、外観検査での照明の選び方を整理します。

なぜ同じワークが照明で見え方を変えるのか

実験には、金属缶の蓋に人為的にキズと打痕を加えたサンプルを使用します。

このサンプルを、500万画素のカラーカメラ・レンズ倍率×0.5という条件を固定したまま、照明だけを変えて撮影しています。カメラとレンズが同じでも、照明が変わるだけで画像の見え方がどれほど変化するかを比較します。カメラとレンズの選び方は「外観検査カメラの選び方｜必要な画素数の計算方法とレンズ・解像度の基本」で解説しています。

外観検査で使う照明6種類の比較

先に、本記事で扱う6種類の照明の特性を一覧にまとめます。詳細は以降の各章で、実際の撮影画像とあわせて解説します。

拡散光グループ：影を消して質感を見せる「ドーム照明・面照明」

まず紹介するのは、室内の自然光に近い性質を持つ拡散光のグループです。このグループは「光の角度」という概念をいったん脇に置いて捉えると理解しやすくなります。

ドーム照明：均一な光で素材そのものを描き出す

ドーム照明は、ワークを半球状のドームで覆い、内側の壁に反射させた光をあらゆる方向から均一に落とし込む照明です。最大の特徴は、影をほぼ消し去れる点にあります。

実際の画像では、金属板の表面が非常にマットで均一に映っています。光が四方八方から回り込むため、表面の細かなザラつきや金属特有のハレーションが抑えられます。一方で、キズや打痕の「段差」が生む影まで消してしまうため、線のキズは白くのっぺりと見え、打痕の凹凸感もマイルドになります。凹凸を強調したい検査には不向きですが、表面のヘアラインノイズを抑えて素材の色ムラや印刷だけを見たい場合や、色味の判別が必要な検査との相性が良い照明です。

面照明：ベースラインとして扱いやすい汎用型

面照明（フラット照明）は、拡散光の性質を四角いパネル状にした照明です。

ドーム照明ほど極端に影を消すわけではありませんが、そのぶん様々な形状のワークに対して安定した結果を得やすい照明です。画像でも全体が明るくクリアに照らされ、キズも打痕もバランスよく視認できます。

直進光の極致：平面のキズを黒く沈める「同軸照明」

拡散光グループが影を和らげる光だったのに対し、同軸照明は明確なコントラストを作ることで微細な変化を捉える光です。

同軸照明：正反射で、微細なキズを黒く沈ませる

同軸照明は、カメラのレンズの光軸と一致した方向から直進光をワークに当てる構造です。平面の金属板にこの光を当てると、鏡のような正反射がそのままカメラに戻ってきます。

平面部分は光が綺麗に跳ね返るため明るい白になりますが、キズがある部分だけは光が乱反射してカメラに戻らないため、キズの輪郭がくっきりと黒く沈んで映ります。打痕も中央が黒く落ち込み、境界が明確になります。このエッジの立ち方が、キズ検査で同軸照明が使われる理由です。

一方で、プレス材の圧延パターン（横筋）も強調されるため、表面状態の観察には有効ですが、情報量が多くなりすぎる場合もあります。また照明のサイズが大きくなりやすいことと、ハーフミラーで光量がカットされる特性がある点も踏まえて検討する必要があります。

設置距離で表情が変わる「リング照明」

リング照明：ワークとの距離だけで別の顔になる

リング照明は、直径と設置距離によって画像の印象が大きく変わる照明です。

「高め→中間→15mm（近づける）」の順に見比べると、変化がはっきり分かります。照明を高い位置に置くと光が上からまっすぐ入るため同軸照明に近い見え方になります。位置を下げてワークに近づけると、光が真横からなめるように当たるようになり、背景が暗く沈み込む一方で、キズの線と打痕のフチだけが光を捉えて明るく浮かび上がります。

1本の照明の高さを変えるだけでこれだけの見え方の違いが生まれるため、現場での距離調整によって最適なポイントを探る余地がある照明です。一方で、画像が矩形であるのに対し照明形状が円形であること、拡散か同軸かの狙いが絞りにくいことから、外観検査での採用頻度は他の照明ほど高くない傾向があります。

同軸照明とリング照明の違い

同軸照明とリング照明は、どちらも上方からワークを照らすため混同されがちですが、狙いが異なります。同軸照明はレンズの光軸と同じ方向から光を当て、平面での正反射を利用してキズを黒く浮かび上がらせます。光の当たり方が一定なので、平面ワークの微細なキズを安定して捉えたい場合に向いています。

一方のリング照明は、設置する高さによって性質が変わります。高い位置では同軸照明に近い見え方に、ワークに近づけるとローアングル照明に近い見え方になります。1台で幅広い条件を試せる反面、狙った見え方に固定しにくい点が違いです。

影を演出して凹凸を際立たせる「ローアングル照明・角型ローアングル照明」

最後に紹介するのは、キズや打痕の凹凸に対して最も強いコントラストを描き出す、ローアングルのグループです。

ローアングルリング：エッジを際立たせる斜光

ローアングルリング照明は、ワークの真横に近い低角度から表面をなめるように光を当てる照明です。

平面部分に当たった光はすべて外側へ逃げてカメラに入らないため、背景は深い紺〜黒になります。そこにキズや打痕があると、そのエッジだけに横からの光が強く反射し、暗い背景の中でキズだけが白く際立って見えます。打痕も立体的な縁がくっきりと浮かび上がり、コントラストの高さでは他の照明よりも優れています。

ただし、照明をワーク表面から5〜10mm前後まで近づけて設置する必要があるため、自動検査機の搬送機構との干渉リスクを考慮した設計が求められます。

角型ローアングル：拡散とローアングルを両立する照明

拡散光とローアングルの両方の特性を持つ照明が、角型ローアングル照明です。

ワークに近い距離で設置したとき、拡散光とローアングルの2つの特性を同時に発揮します。画像では、背景の深い色味を保ちながらも、キズの光り方や打痕の陰影が通常のローアングルリングと比べて穏やかに表現されています。至近距離から拡散光を当てることで、キズの視認性を保ちながら、過度に強い影の発生を抑えられる点が特徴です。薄型の筐体で低角度の拡散を実現できるため、設置の自由度が確保しやすいという実務上の利点もあります。

照明選定の3つの判断軸

同じ金属プレス板であっても、光の当て方だけで見え方は大きく変わります。照明選定は、明るさのスペックや価格だけで決まるものではなく、以下の3つの軸から検討することが重要です。

• 何を見たいか：素材の色味か、微細なキズか、打痕の凹凸か
• ワークの形状はどうか：平面か立体か、光沢があるかマットか
• 現場の環境とどう調和させるか：ワークとの設置距離、搬送ラインとの干渉リスク

この3つの軸が交差するところに、その現場にとっての適切な照明選定があります。照明ごとの特性を理解した上で、実際にワークを傾けながら最適な光の条件を探る検証プロセスが、安定した検査システムの構築につながります。

よくある質問

外観検査の照明はどう選べばよいですか？

「何を見たいか」「ワークの形状」「現場の設置環境」の3つの軸で絞り込みます。色味や印刷を見たいなら拡散光（ドーム照明・面照明）、平面上の微細なキズなら同軸照明、凹凸や打痕を際立たせたいならローアングル照明が候補になります。最終的には、実際のワークで撮り比べて確認することが欠かせません。

キズの検査に向いている照明は？

平面上の微細なキズには、キズを黒く沈めてエッジを立てる同軸照明が向いています。キズや打痕の凹凸を強いコントラストで浮かび上がらせたい場合はローアングル照明が有効です。ただしローアングル照明はワークに5〜10mm前後まで近づける必要があるため、搬送機構との干渉を確認する必要があります。

光沢やハレーションのある金属面はどう照らせばよいですか？

反射を抑えたい場合は、あらゆる方向から光を回り込ませるドーム照明が有効です。金属特有のハレーションや細かなザラつきが抑えられ、表面を均一に写せます。反対に、平面の正反射を利用してキズを浮かび上がらせたい場合は同軸照明を使います。何を見たいかによって、反射を「抑える」か「利用する」かを選びます。

同軸照明とリング照明はどう使い分けますか？

平面ワークの微細なキズを安定して捉えたいなら同軸照明、設置距離を変えながら幅広い見え方を試したいならリング照明が向いています。リング照明は高い位置では同軸照明に近く、近づけるとローアングル照明に近い見え方になります。

照明条件はAI外観検査の精度にも影響する

照明で見え方を安定させることは、AIで外観検査を行う場合にも重要です。良品画像から「正常」を学習するタイプのAIでは、学習時と運用時で光の当たり方が変わると、正常なばらつきまで異常として判定する過検出の原因になります。画像収集の段階で照明条件をどう扱うかは「外観検査AIの過学習とは｜良品画像収集の落とし穴」で解説しています。

照明を固定できない目視検査の現場では、作業者が角度を変えながら見ることで欠陥を見つけていますが、そのぶん担当者の経験や集中力に精度が左右されます。目視の見落としをカメラとAIで補助する考え方は「ポカヨケAIとは｜目視検査の見落としを減らす仕組み」をご覧ください。

アダコテックは、良品画像だけで学習でき、GPUを使わずに動作する外観検査AIを提供しています。検査機に組み込んで良品のばらつきから異常を自動検出する「AdaInspector」、目視検査のうっかりミスを防ぐ「POKAMIRU」など、検査の目的に合わせてお選びいただけます。検査対象や現在の課題に合わせた進め方など、外観検査に関するご相談はお問い合わせフォームからお気軽にお寄せください。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。

投稿 外観検査の照明選定｜同軸・リング・ドームなど6種類の特性と使い分け は 株式会社アダコテック｜外観検査AI に最初に表示されました。

この課題に対し、ポカヨケAIという選択肢が現場で注目されています。本記事では、ポカヨケAIの考え方と技術的な仕組み、そして従来手法との違いを整理します。

そもそも「ポカヨケ」とは

ポカヨケとは、うっかりミス（ポカ）を未然に防ぐ（ヨケる）ための仕組みを指します。製造現場では古くから、治具や形状の工夫によってヒューマンエラーを物理的に防ぐアプローチが取られてきました。

しかし、目視検査の場面では物理的な仕組みだけでは対応しきれないケースがあります。部品の付け忘れ、異種部品の混入、微細な位置ずれ——こうした不良は、画像を見て判断する人の認知に依存します。1日500個の製品を検査し続けて、1件の見落としもなく判断し続けることは、構造的に難しいことです。

AIをポカヨケに活用するとは、この「人の認知の負荷」をシステム側で支援するという発想です。

従来手法の限界

ルールベース検査

画像検査装置の多くは、ルールベースの判定ロジックを採用しています。「この座標に部品があること」「この領域の輝度が一定以上であること」といった条件を人が定義し、それに基づいて良否を判断する方式です。

判断根拠が明示できる点は強みですが、運用上の負荷が大きくなりやすい構造を持っています。

• ルール数の肥大化：製品種類や検査項目が増えるほど、ルール数は指数的に増加します。管理しきれなくなった時点で、設計者以外には手が出せない状態になります。
• しきい値調整の終わりのなさ：照明の微妙な変動や良品個体差に対応するため、しきい値の調整作業が断続的に発生します。
• 未知の不良への脆弱性：あらかじめ想定していない不良パターンは、ルールで定義できないため検出できません。

ルールベースとAIの違いや、AIへ置き換える判断基準は「ルールベースとAI外観検査の違い」で詳しく整理しています。

ディープラーニング検査

ディープラーニングは、微細なテクスチャ欠陥や複雑な形状の位置ずれ検出など、高い表現力を要する検査に有効です。近年は少数の正常画像だけで動作する手法も登場し、導入障壁は下がっています。

一方で、PyTorchやONNX Runtimeといったフレームワークのインストールとバージョン管理、事前学習済みモデルの保守といった運用負荷は残ります。現場担当者が自律的に扱うには、一定の技術的なハードルが伴います。

ポカヨケAIのアプローチ：「正常を学習し、逸脱を検知する」

アダコテックの目視検査補助AI「POKAMIRU」は、「正常な状態を学習し、そこから外れたものを検知する」という考え方を採用しています。不良品のパターンを事前に定義するのではなく、正常品の画像を最低10枚用意するだけで検査モデルを構築できます。

技術的な基盤として、HLAC（高次局所自己相関）＋部分空間法を採用しています。HLACは画像中の近傍画素の関係を固定のマスクパターンで集計し、固定長のベクトルとして表現する特徴量抽出手法です。ニューラルネットワークを使わないため、GPUやディープラーニングフレームワークへの依存がありません。HLACの原理は「HLACとは」で詳しく解説しています。

なぜ汎用PCだけで動くのか

POKAMIRUがGPUなしで実用的に動作する背景には、4つの設計上の工夫があります。

① 固定マスク演算による特徴抽出

HLACのマスクパターンはあらかじめ数学的に設計されており、学習によるパラメータ更新が不要です。CNNが多層の行列積を順伝播させるのに対し、HLACは局所的な特徴を単一の演算で表現するため、推論時の計算コストを小さく抑えられます。

② パッチ分割処理

入力画像を小さなパッチに分割し、重なりを持たせながら個別に処理します。画像全体を一括処理すると小さな異常が平均化されて埋もれやすくなりますが、パッチ単位で処理することで局所的な異常が際立ちます。

③ 複数の「見方」で同じ軽量演算を繰り返す

グレースケール変換・彩度変換など異なる前処理を施した画像に対し、同じHLAC演算を複数回適用します。演算自体を複雑にするのではなく、軽量な演算を異なる条件で繰り返すことで検出精度を高めるアプローチです。

④ 閉形式のモデル構築

部分空間法は閉形式の解を持ちます。つまり、ディープラーニングのように反復的なパラメータ更新を行わず、正常データの統計的な特徴を一度の計算で数学的に要約します。HLACの特徴量が固定長かつ低次元であることも相まって、CPU上でのモデル構築が数分程度で完了します。

これら4つの工夫を組み合わせることで、フレームワーク依存なしにCPUだけで実用的な速度と精度を両立しています。

AIと人の役割分担：最終判断は人が行う

POKAMIRUの運用では、AIが最終判断をすべて代替するわけではありません。AIは「ここに注意が必要かもしれない」と注意を促す支援役であり、最終的な合否判断は人が行います。

目視検査の本質的な問題は「人が判断すること自体」ではなく、「長時間・大量の反復作業による注意力の低下」にあります。AIが要注意箇所をハイライトすることで、検査員は本来の判断業務に集中できます。

どんな用途に向いているか

POKAMIRUは、部品の有無・位置ずれ・色違いなど、正常状態からの明確な逸脱を検出するポカヨケ用途に向いています。製品切り替え時も、現場担当者がライン横のPCで正常品を最低10枚撮影するだけで新しい検査モデルを構築できます。

一方、微細なテクスチャ欠陥の検出や、高い表現力を要する外観検査には、ディープラーニングベースのアプローチが適している場合もあります。また、目視の補助ではなく検査機に組み込んで自動判定したい場合には、同じHLAC技術を活用した良品学習AI「AdaInspector」も提供しています。

「GPU環境の調達やフレームワーク管理が現実的ではない」「まず目視検査の補助から始めたい」という場合、POKAMIRUは技術的に異なるアプローチでその壁を取り除くことを目指した製品です。

よくある質問

ポカヨケとは何ですか？

うっかりミス（ポカ）を未然に防ぐ（ヨケる）ための仕組みのことです。製造現場では、治具や部品の形状を工夫して、ヒューマンエラーを物理的に起こせないようにするアプローチが古くから取られてきました。

ポカヨケAIとは何ですか？

物理的な仕組みでは防ぎきれない目視検査の見落としを、AIで支援する仕組みです。正常な状態を学習し、そこから外れた箇所を検知して作業者に注意を促します。部品の付け忘れ、異種部品の混入、位置ずれなどの見落とし防止に向いています。

目視検査の見落としはなぜ起きるのですか？

同じ作業を長時間・大量に繰り返す中で、人の注意力が低下するためです。経験豊富な検査員であっても、連続作業が続けば見落としのリスクは上がります。問題は人が判断すること自体ではなく、反復作業による注意力の低下にあります。

ポカヨケAIを使うと、AIが合否を判定するのですか？

POKAMIRUの運用では、AIは要注意箇所をハイライトして注意を促す支援役で、最終的な合否判断は人が行います。検査員は、AIが示した箇所の確認という本来の判断業務に集中できます。

導入にはどのくらいの画像が必要ですか？

POKAMIRUでは、正常品の画像を最低10枚用意するだけで検査モデルを構築できます。製品の切り替え時も、現場担当者がライン横のPCで正常品を撮影するだけで新しいモデルを作れます。

まとめ

目視検査の見落としは、検査員の能力ではなく、長時間の反復作業という構造から生まれます。ポカヨケAIは、正常な状態からの逸脱をAIが検知して人に知らせることで、その構造的な負荷を軽減する仕組みです。GPUやディープラーニングの環境を用意せず、汎用PCだけで始められる点も、目視検査の現場で導入しやすい理由です。

目視検査の補助から始めたい場合は「POKAMIRU」の製品ページもあわせてご覧ください。自社の検査に合うかどうかの確認など、外観検査に関するご相談はお問い合わせフォームからお気軽にお寄せください。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。

投稿 ポカヨケAIとは｜目視検査の見落としを防ぐ仕組みとGPU不要で動く理由 は 株式会社アダコテック｜外観検査AI に最初に表示されました。

本記事では、外観検査の自動化を進める際に押さえておくべき3つのチェックポイントを解説します。AIかルールベースかという議論より先に整理すべき、ハードウェアの成立性を中心とした思考の流れを示します。

なぜ「ハードウェアから考える」のか

外観検査の自動化を検討するとき、多くの現場ではまずアルゴリズム（AIかルールベースか）の話になりがちです。しかし実際には、どれだけ優れたアルゴリズムを使っても、撮影環境が整っていなければ検査は成立しません。

必要な分解能が出ていない画像、照明ムラで情報が失われた画像をAIに投入しても、精度は出ません。検討の起点をハードウェアに置くことで、装置の全体像とコスト感が先に見えてきます。アルゴリズムはその後に選べばよいのです。

Check 1：対象物と欠陥の情報を整理する

最初にやるべきことは、検査対象の観察と欠陥情報の収集です。ここで集めた情報が、装置の規模とコストを決定づけます。

対象物の外観特性を把握する

着目すべきは光沢・色・サイズ・形状の4点です。特に以下は自動化を難しくする条件として知っておくべきです。

• 曲面・高光沢面：照明の反射（ハレーション）が発生しやすく、欠陥の見え方が位置によって変わるため検出ルールが安定しにくい。偏光フィルタや分割撮影で対処できますが、それぞれトレードオフがあります
• 透明体：コントラストが低く情報量が少ない画像になりやすい。近年は紫外照明の活用も選択肢に入ってきています
• 300mm超のワークサイズ：標準的なFA照明の照射範囲を超えるため、分割撮影を前提に設計する必要があります

欠陥情報を定義する

欠陥については以下の4点を事前に整理しておきます。この2つの軸——対象物の外観特性と欠陥情報——を掛け合わせて整理することが、装置設計の出発点になります。

• 欠陥の種類と最小サイズ：カメラ選定の根拠になります。「最小でどの程度の欠陥を見たいか」が曖昧だと、カメラ選定も曖昧になります
• 発生位置の傾向：特定部位にしか発生しない欠陥があれば、光学系を必要以上に大きくせずに済みます
• 優先度の切り分け：「絶対に取りたい欠陥」と「判断基準が曖昧でクリティカルでない欠陥」を分けます。欠陥種が増えるほど照明条件も増え、装置が重くなります
• 色味検査の要否：色味検査が必要ならカラーカメラ、不要ならモノクロカメラが基本です。モノクロはデータが軽く分解能を取りやすい特性があります

Check 2：必要な分解能を計算する

対象物と欠陥の情報が揃ったら、次は必要なカメラスペックの見積もりです。

「5px基準」で欠陥サイズを換算する

実務上の目安として、欠陥の1辺が画像上で5px程度に写ると検出の可能性が出てきます。この基準をもとに、最小欠陥サイズから必要な分解能と撮影視野を逆算します。

FAでよく使われるカメラ画素数と、5px基準での視野目安（長辺）は以下の通りです。

• 2Mカメラ（1,600×1,200px）：最小欠陥サイズ[mm] × 32 ≒ 視野[cm]
• 5Mカメラ（2,400×2,000px）：最小欠陥サイズ[mm] × 48 ≒ 視野[cm]
• 12Mカメラ（4,000×3,000px）：最小欠陥サイズ[mm] × 80 ≒ 視野[cm]
• 25Mカメラ（5,100×5,100px）：最小欠陥サイズ[mm] × 100 ≒ 視野[cm]

計算してみると「思ったより視野が狭い」と感じることが多いはずです。それだけ人間の目は高性能であり、機械に置き換えることの難しさでもあります。

コスト観点では、12Mまでのカメラは画素数あたりの価格が比較的安定しています。それ以上の高画素帯はカメラ・レンズともに割高になりやすいため、5Mまたは12Mを起点に検討するのが現実的です。

クラック検査は別扱いで考える

幅10μm以下のクラックは特殊ケースとして切り出して考える必要があります。5px基準では現実的でないため3px程度（分解能3〜5μm）を目安にしますが、そのレンズ倍率では被写界深度が0.5mm以下となり、立体形状への対応が極めて難しくなります。クラックだけを狙った専用の撮影ポイントを設けるアプローチが有効なケースが多いです。

Check 3：装置全体の成立性を評価する

撮影条件が固まったら、タクトタイムとコストの観点で装置全体を評価します。

タクトタイムを見積もる

おおよその目安として、撮影回数 × 1視野あたりの処理時間でタクトタイムの概算が出ます。撮影面数が多い場合は、ワークを動かして1台のカメラで対応するか、カメラを複数設置して並列処理するかの設計判断が必要になります。全周検査では撮影そのものより、搬送・姿勢変更をどう設計するかが装置の難易度を決めます。

コスト感を把握する

搬送系を含めた外観検査装置の初期コストは、対象物のサイズや検査面数、搬送機構の複雑さによってケースごとに大きく変わります。目安となる金額を最初から追い求めるより、光学系・搬送・制御・ソフトウェアそれぞれの構成要素を積み上げて見積もっていく考え方が基本になります。Check 1・2を整理した段階でメーカーに相談すると、提案の妥当性を自分で判断できるようになります。

アルゴリズムは最後に選ぶ

Check 1〜3を経て、ハードウェアとして成立する見通しが立ったあとに、ようやくアルゴリズムの選択に入ります。ルールベースにするかAIを使うかは、撮影環境と欠陥の性質によって最適解が変わります。この段階であればメーカーへの相談も具体的な議論ができ、提案内容の評価も自分でできるようになっているはずです。

アダコテックでは、HLAC特徴量を用いた独自のAI外観検査技術により、少ない良品画像から異常を検知するアプローチを取っています。アルゴリズム選定に迷う段階になったら、気軽にご相談ください。

まとめ：迷わないための検討順序

外観検査の自動化は、考える順番を間違えると何でもできる重厚な構成を目指してしまいがちです。ハードウェアの成立性から逆算することで、必要な仕様と不要な仕様が分かれ、コストの妥当性も判断しやすくなります。

最初の一歩は、手元にある欠陥サンプルを観察し、最小欠陥サイズを測ることから始められます。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。

投稿 外観検査を自動化する前に整理すべき3つのチェックポイント は 株式会社アダコテック｜外観検査AI に最初に表示されました。

外観検査用カメラの選定は、スペック表だけを見ていると判断を誤りやすい領域です。本記事では、カラーとモノクロの判断、必要な画素数の計算方法、レンズの選び方まで、外観検査カメラの選定で現場で実際に使える考え方を、設計の順序に沿って整理します。

カラーかモノクロか：最初の判断基準

カメラ選定でまず問われるのが、カラーかモノクロかという選択です。直感的には「カラーの方が情報量が多い＝有利」と思われがちですが、検査用途ではモノクロカメラを基本に検討することを推奨します。

データ容量の観点

カラー画像はR・G・Bの3チャンネル分の情報を持つため、同じ解像度のモノクロ画像と比べておよそ3倍のデータ量になります。近年はトレーサビリティの要件から画像の長期保存が求められるケースが増えており、モノクロを選択するだけでストレージコストを大幅に削減できます。

解像感の観点

カラーカメラには「色収差」という特性があります。レンズを通る光は波長によって屈折率が異なるため、青い光は手前側、赤い光は奥側でピントが合います。この性質により、特定の色にピントを合わせると他の色がボケ、被写体のエッジに色にじみが発生します。モノクロカメラはこの影響を受けないため、よりシャープな画像を安定して取得できます。

検査システムの基本構成として、モノクロカメラ＋単波長照明（赤色または青色LED）の組み合わせが現場では定番になっています。「色の検査が必須か」を最初に確認し、不要であればモノクロを選択するのが合理的な判断です。

画素数は「多いほど良い」ではない

高画素カメラは欠陥を細かく捉えられる反面、システム全体に与える影響を見落としがちです。

タクトタイムへの影響

画素数が増えるほど、画像の転送・処理にかかる時間が長くなります。検査ラインのタクトタイムが制約となる場合、必要以上に高画素なカメラを選ぶと処理が追いつかず、ライン速度を落とさざるを得ないケースも発生します。省人化・自動化を目指して導入したシステムが、ライン効率を下げる原因になるのは本末転倒です。

パーシャル機能の活用

検査対象が視野全体に対して小さい場合、カメラのパーシャル機能（ROI：関心領域の切り出し）を活用することで、実質的なデータ量を削減できます。12メガピクセルのカメラを導入しても、検査に必要な領域が視野の一部であれば、その部分だけを処理することで転送速度と保存容量の両方を最適化できます。

システム全体のバランスを意識した画素数の選択が、長期的な安定運用につながります。

必要な画素数の計算方法：5×5ピクセルの目安

「どれくらいの解像度が必要か」という問いに対し、一つの実践的な目安として「検出したい最小欠陥を5×5ピクセル以上で捉える」という考え方があります。欠陥のコントラストや画像処理アルゴリズムによって最適値は変わりますが、この基準から逆算することで大きな選定ミスを防げます。

ここで使うのが「画素分解能」です。画素分解能とは、画像の1ピクセルが実際の対象物の何mm（何μm）に相当するかを表す値で、「視野の大きさ ÷ カメラの画素数」で求められます。

計算例

以下のような検査条件を想定します。

• 検査対象のサイズ：100mm × 80mm
• 検出したい最小欠陥：200μm

必要な分解能を求める
200μmの欠陥を5ピクセルで捉えるには、1ピクセルあたり40μmの分解能が必要です。

必要な画素数を求める
余裕を見て視野を110mm × 90mmとすると、必要な画素数は以下のとおりです。

• 横：110mm ÷ 0.04mm = 2,750ピクセル
• 縦：90mm ÷ 0.04mm = 2,250ピクセル
• 合計：約620万画素（6.2メガピクセル）

カタログから選定すると、条件を満たす最小クラスは12メガピクセルカメラになります。カメラセンサーは長方形が多く、正方形に近い対象物を撮影する場合は、計算上の必要画素数より大きなカメラが必要になるケースがある点も覚えておく必要があります。

この逆算の手順を踏むことで、「なんとなく高スペックを選んだ結果、コストだけが跳ね上がった」という失敗を避けられます。

逆に考える：500万画素カメラで見える欠陥の大きさ

手持ちのカメラで足りるかを確かめたい場合は、同じ考え方を逆向きに使います。一般的な500万画素センサー（2,448×2,048ピクセル）で、上の例と同じ横110mmの視野を撮影すると、画素分解能は 110mm ÷ 2,448ピクセル ≒ 0.045mm（約45μm）です。5×5ピクセルの目安に当てはめると、安定して捉えられる最小欠陥はおよそ225μm（0.225mm）が目安になります。200μmの欠陥を検出したいこの例では、500万画素ではわずかに足りないことが分かります。

レンズ選定：ワーキングディスタンスと歪みのトレードオフ

カメラと検査対象の距離（ワーキングディスタンス）が離れるほど、広い視野の画像を取得できます。設置スペースを節約するために広角レンズでワーキングディスタンスを縮めたくなるのは自然な発想ですが、広角レンズには固有のトレードオフがあります。

歪み（ディストーション）

広角になるほど画像周辺部の歪みが大きくなります。寸法測定など精度を要する検査では、この歪みが判定誤差に直結します。視野を意図的に絞る、あるいはレンズの特性に合わせた補正処理を組み込む設計が必要です。

外乱光の影響

視野が広いということは、それだけ多くの方向からの光を取り込むことになります。工場内の蛍光灯や窓からの自然光、作業者の動きによる影など、意図しない光がノイズとして混入しやすくなります。遮光のための筐体設計や照明の配置が重要になります。

ワーキングディスタンスが20〜30cmを超える場合は、設置高さの確保も視野に入れた機構設計が必要です。焦点距離の計算は、レンズメーカーが公開している計算ツールを活用することで効率よく行えます。

流動撮影での画像ブレ対策

検査対象が搬送ラインで動いている状態で撮影する「流動撮影」は、静止撮影と比べて難易度が上がります。最大の課題は画像ブレです。

ブレのメカニズムはシンプルです。カメラのシャッターが開いている間（露光時間中）に対象物が動くことで、画像上に移動の軌跡が写り込みます。これを防ぐ原則は、「露光時間中の対象物の移動量を1ピクセル以下に抑えること」です。

実現手段は照明にあります。高輝度LEDやストロボ発光を組み合わせ、短時間に強い光を当てることで露光時間を極限まで短縮できます。照明の選定と制御は、流動撮影システムの設計において特に重要な要素です。照明の種類ごとの見え方の違いは「外観検査の照明選定｜同軸・リング・ドームなど6種類の特性と使い分け」で、実際の撮影画像とともに解説しています。

外観検査カメラ・レンズの選定手順

カメラ・レンズの選定は、以下の順序で考えることで失敗が少なくなります。

1. 検査仕様を定義する：検査対象のサイズ、検出したい最小欠陥のサイズ、タクトタイムの要件を明確にする
2. 必要な分解能と画素数を逆算する：5×5ピクセルの目安をもとに計算し、カタログから条件を満たす最小スペックを選ぶ
3. カラー／モノクロを判断する：色の情報が検査に必須かを確認し、不要であればモノクロを選択する
4. レンズとワーキングディスタンスを設計する：設置スペースと歪みのトレードオフを踏まえ、視野と焦点距離を決定する
5. 照明を設計する：流動撮影の有無、外乱光の環境を踏まえて照明方式を選定する

機材の選定は、検査精度・処理速度・コストの三者をバランスさせるパズルです。スペックの高さを目指すのではなく、検査の目的から逆算して「必要十分」を定義する視点が、現場で長く使えるシステムづくりにつながります。最初の「検査仕様を定義する」段階で整理すべき点は「外観検査を自動化する前に整理すべき3つのチェックポイント」もあわせてご覧ください。

よくある質問

外観検査のカメラはカラーとモノクロのどちらを選ぶべきですか？

色の判別が検査に必須でなければ、モノクロカメラを基本に検討します。モノクロはカラーに比べてデータ量がおよそ3分の1で済み、色収差による色にじみがないため、よりシャープな画像を安定して得られます。現場では、モノクロカメラと赤色または青色の単波長LED照明の組み合わせが定番です。

外観検査に必要なカメラの画素数はどう計算しますか？

検出したい最小欠陥を5×5ピクセル以上で捉えることを目安に逆算します。最小欠陥サイズを5で割って1ピクセルあたりの分解能を求め、視野の縦横をその分解能で割ると必要な画素数が出ます。例えば視野110mm×90mmで200μmの欠陥を検出したい場合、分解能は40μm、必要な画素数は約620万画素です。

500万画素のカメラでどのくらいの大きさの欠陥まで見えますか？

視野の大きさによって変わります。一般的な500万画素センサー（横2,448ピクセル）で横110mmの視野を撮影した場合、1ピクセルは約45μmに相当し、5×5ピクセルの目安では約0.2mm強の欠陥が検出の目安になります。視野を狭くすれば、より小さな欠陥まで捉えられます。

動いているワークを撮影するとブレてしまいます。どうすればよいですか？

露光時間中のワークの移動量を1ピクセル以下に抑えることが原則です。高輝度LEDやストロボ発光で短時間に強い光を当て、露光時間を短くすることでブレを防ぎます。

機材が決まったら：画像を判定する仕組みを選ぶ

カメラ・レンズ・照明で安定した画像が撮れるようになったら、次はその画像で良否を判定する仕組みを選ぶ段階です。判定条件を人が設定するルールベースの画像処理と、データから学習するAIのどちらが合うかは、検出したい欠陥の性質や、NG品画像をどれだけ集められるかによって変わります。手法ごとの違いは「外観検査AIの種類と比較｜ディープラーニング・良品学習の違いと選び方」で比較しています。

アダコテックの「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。検査機に組み込み、良品のばらつきから異常を自動で検出します。検査対象や導入までの進め方など、外観検査に関するご相談はお問い合わせフォームからお気軽にお寄せください。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。

投稿 外観検査カメラの選び方｜必要な画素数の計算方法とレンズ・解像度の基本 は 株式会社アダコテック｜外観検査AI に最初に表示されました。

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。

投稿 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 は 株式会社アダコテック｜外観検査AI に最初に表示されました。

本記事では、外観検査AIの主な種類を比較し、ディープラーニングと良品学習の違いを整理したうえで、導入前に確認すべき選び方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です。この区別を前提に読み進めていただくと、以降の比較が理解しやすくなります。ルールベースとの使い分けは「ルールベース画像処理とは｜AI外観検査との違い・比較と置き換えの判断基準」で詳しく解説しています。

外観検査AIの種類と特徴

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（良品学習）

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を必要とせず汎用CPU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）方式のため、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。必要な良品画像の枚数は製品・用途によって異なり、アダコテックの製品では、目視検査補助AI「POKAMIRU」で最小10枚から、検査機に組み込む「AdaInspector」で100〜300枚程度が目安です。

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から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限に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が、まず小さく始めて効果を確かめる手段としても適しています。目視検査の見落とし対策として使う例は「ポカヨケAIとは｜目視検査の見落としを減らす仕組み」で紹介しています。

外観検査AIの比較表

ここまでの内容を、ルールベースの画像処理も含めて一覧で比較します。

教師あり・教師なしの違いと現場への影響

外観検査AIを比較するうえで、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。過検出への対処は「外観検査AIの過検出を減らすには｜追加学習の前に確認すること」をご覧ください。

外観検査AIの選び方：4つの問い

外観検査AIの手法を選ぶ際は、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くあります。
• 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で完結する軽量な手法の方が運用負荷を抑えられます。

よくある質問

外観検査AIにはどんな種類がありますか？

大きくは、ディープラーニングを使うものと、HLAC＋部分空間法のようにディープラーニングを使わないものに分かれます。学習方法では、OK／NGのラベル付き画像で学習する「教師あり学習」と、良品画像だけで学習する「教師なし学習（良品学習）」があります。

外観検査AIの学習には何枚の画像が必要ですか？

方式と製品によって異なります。教師あり学習では良品画像に加えてNG品画像も一定数必要です。良品学習では良品画像だけで学習でき、アダコテックの製品ではPOKAMIRUが最小10枚から、AdaInspectorが100〜300枚程度を目安としています。

外観検査AIにGPUは必要ですか？

ディープラーニング系の多くは、学習・推論にGPU搭載PCが必要です。HLAC＋部分空間法のようにニューラルネットワークを使わない手法では、GPUを使わず汎用CPUで動作させることができます。

AI外観検査のデメリット・注意点は？

方式ごとに異なります。教師あり学習はNG品画像の収集に時間と工数がかかり、想定外の欠陥が出ると追加学習が必要です。良品学習は欠陥の種類を分類する用途には向かず、良品のばらつきが大きい製品では過検出が増えやすくなります。ディープラーニングはGPU環境やフレームワークの構築・保守の負荷を見込む必要があります。

ルールベースの画像処理とAI、どちらを選ぶべきですか？

判定条件を人が数値で明確に定義できる検査はルールベース、条件で表しにくいばらつきのある外観を判定したい場合はAIが候補になります。詳しくは「ルールベース画像処理とは｜AI外観検査との違い・比較と置き換えの判断基準」で解説しています。

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。

アダコテックでは、検査機に組み込んで良品のばらつきから異常を自動検出する「AdaInspector」、少量生産・多品種切替の現場で目視検査のうっかりミスを防ぐ「POKAMIRU」、欠陥の種類や等級まで判別する「Shiwaketter」など、検査の目的に合わせた外観検査AIを提供しています。

どの手法が自社の課題に合うか判断に迷う場合は、お問い合わせフォームから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てお手伝いします。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。

投稿 外観検査AIの種類と比較｜ディープラーニング・良品学習の違いと選び方 は 株式会社アダコテック｜外観検査AI に最初に表示されました。