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

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。