外観検査AIの過学習とは｜良品画像収集の落とし穴
kanrinin外観検査AIの導入現場では、「良品画像はとにかく多く集めればいい」という認識が広がりがちです。しかし実際には、枚数を増やすことが必ずしも精度向上につながるとは限りません。むしろ、集め方を誤ると過学習という別の問題を引き起こし、現場で過検出（正常品を不良と誤判定すること）が頻発する原因になります。
本記事では、良品学習における過学習のメカニズムと、画像収集で本当に重視すべき視点を整理します。
「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。
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。
画像収集の設計や、外観検査AI導入に関する具体的なご相談は、アダコテックまでお気軽にお問い合わせください。
