AI外観検査導入2026｜タイ工場のPoC・RFP・受入試験

タイの製造現場でAI外観検査導入を成功させる鍵は、AIモデルのデモを見ることではありません。「どの欠陥を、どの製品・設備・照明条件で、何秒以内に判定し、曖昧な結果を誰が処理するか」を契約前に決めることです。本記事では、目視検査の自動化を検討する工場長、品質保証、生産技術、IT・OT担当者向けに、PoCの設計、RFP、FAT・SAT、受入判定、費用とTCO、運用監視までを一つの調達手順として整理します。特定製品の検出率や回収年数は推測せず、工場自身が測定し、合否を決められる形に落とし込みます。

AI外観検査導入で最初に決めるべき「品質上の意思決定」

外観検査AIは、カメラに映った画像から異常の可能性を出力する仕組みです。しかし現場が必要としているのはスコアではなく、製品を流す、止める、隔離する、再検するという意思決定です。したがって、企画書の主語を「AI」にせず、「品質判定プロセス」に置きます。

最初に、対象工程で現在行っている判定を次の単位まで分解します。

• 製品、品番、材質、色、表面仕上げ、サイズの違い
• 欠陥種別、欠陥位置、最小管理寸法、重大度、顧客要求
• ライン速度、ワーク間隔、停止可否、撮像できる時間
• OK、NG、要再確認という処置と、最終承認者
• 画像、判定、ロット、設備、作業者、再検結果の保存要件

この分解がないまま「傷を見つけたい」と依頼すると、ベンダーは見栄えのよいサンプルでデモできますが、量産条件の受入判定を定義できません。反対に、欠陥と処置が明確なら、従来のルールベース画像処理、正常品学習、教師あり学習、人の検査を比較できます。AIを使わない方が保守しやすい領域も、正当に選択肢に残せます。

NISTが2026年7月3日に公開したスマート製造向けAI・機械学習ロードマップは、産業ビッグデータの複雑性、データ管理、異種センサー・制御系との統合、信頼性・説明可能性を産業実装の課題として挙げています。つまり、画像分類器だけを評価しても、製造システムとしての導入リスクは評価し切れません。

目視検査自動化の対象を選ぶスクリーニング

すべての検査を一度に自動化しないことが重要です。最初の候補は、品質影響が理解され、撮像条件を固定しやすく、結果を追跡できる工程が適します。候補工程ごとに、以下を現場で確認します。

重大欠陥であっても、画像に現れない内部欠陥はカメラでは検出できません。また、光沢面の微細傷は、モデルより先に照明や光学設計が難所になります。対象選定では「AIにできるか」ではなく「検査セル全体で再現可能に観測できるか」を問い直してください。

カメラ・照明・レンズ・治具が画像検査AIの土台

AIは不安定な画像を魔法のように補正する装置ではありません。同じ良品でも日勤と夜勤、乾燥状態と油膜あり、治具交換前後で見え方が変われば、入力分布が変わります。機械視覚セルでは、次の要素を一体で設計します。

カメラとレンズ

欠陥の最小寸法だけでなく、視野、ワーク距離、被写界深度、ワーク速度、シャッター、データ転送を合わせます。高画素化は細部を増やす一方、処理時間、保存容量、照明量、レンズ性能への要求も増やします。カメラ仕様は単体の最大値ではなく、対象欠陥が安定して画素として現れる条件から決めます。

照明と遮光

リング、バー、ドーム、同軸、バックライト、暗視野など、表面性状と欠陥の現れ方に応じて方式を比較します。外光が入る工程では、照明の出力管理に加えて遮光カバーを検討します。LEDの経時変化、汚れ、ケーブル交換、設定値の誤変更も運用リスクです。立上げ時の設定をレシピとして保存し、点検方法と許容範囲を定めます。

治具とトリガー

ワークの位置、姿勢、振動を固定し、センサーとPLCのトリガーで撮像タイミングを再現します。モデルが位置ずれを吸収できても、ばらつきを無制限に許す理由にはなりません。機械側で減らせる変動は先に減らした方が、学習データ、説明、保守が簡単になります。

ISO/TR 14997-2:2022は光学素子の表面欠陥を対象とした技術報告であり、すべての工業製品にそのまま適用する規格ではありません。ただし、機械視覚装置の忠実度、反復性、再現性を考える視点は有用です。実務では、同じワークを連続撮像する試験、ワークを外して再設置する試験、保全後や別シフトで再現する試験に置き換えられます。この応用は同規格の直接要求ではなく、調達仕様を強くするための考え方です。

正常品学習と教師あり学習をどう使い分けるか

外観検査AIには一つの万能方式があるわけではありません。候補方式は、データの得やすさと判定目的で選びます。

正常品学習は「不良画像が不要」という意味ではありません。学習に正常品を使う場合でも、PoCと受入試験には現場で問題となる不良サンプルが必要です。モデルが異常として反応することと、その反応が品質判断として使えることは別だからです。

MVTec AD 2は、8つの産業異常検知シナリオと8,000枚を超える高解像度画像を提供し、学習・検証には無欠陥画像、テストには正常・異常画像を含みます。照明条件が学習時と同一とは限らず、公開ラベルのあるテストと非公開正解データのテストを分けています。これは工場の性能を保証するデータではなく、商用目的での利用を認めないライセンス上の注意もあります。一方で、照明変動を含め、開発用データと最終評価用データを分離するという試験思想は参考になります。

PoC設計：デモではなくGo／修正／中止を決める

PoCの目的は最高の数値を作ることではありません。量産移行の条件と残課題を明らかにし、投資判断をできる状態にすることです。PoC計画書には以下を明記します。

1. 対象範囲と非対象範囲

対象品番、欠陥、ライン、シフト、設備状態を記し、「今回は判定しないもの」も列挙します。例えば裏面を撮像しないなら、裏面欠陥は対象外です。対象外を曖昧にすると、合格したPoCが量産で期待外れに見えます。

2. データ分割と封印テスト

学習、閾値調整、評価のデータを分けます。評価セットはモデルや閾値の調整に使わず、由来を管理します。品番、ロット、日付、シフト、設備設定、照明、欠陥クラスを付与し、同じ個体の近似画像が学習と評価にまたがらないようにします。

3. 誤検出と見逃しを別々に定義

誤検出は良品をNGまたはREVIEWへ送ることで、再検工数や歩留まりに影響します。見逃しは不良品をOKにすることで、流出リスクに直結します。単一の「正解率」では、両者のトレードオフが隠れます。欠陥クラスと重大度別に、件数、分母、条件を示し、工場が受け入れられる上限を決めます。希少な重大欠陥について十分なサンプルがない場合は、「未検証」と書き、追加試験または人による全数確認を残します。

4. REVIEWという第三の出口

OKとNGの二択にせず、スコアが不確実、撮像不良、未知品種、システム異常の場合はREVIEWへ送ります。REVIEW比率、滞留時間、裁定者、裁定結果のモデル改善への利用を測ります。人の最終判断を設計に含めることで、曖昧なケースを無理に自動判定する圧力を下げられます。

5. 実ライン条件の再現

速度、振動、温湿度、周辺光、粉塵、油、品種切替、清掃、保全、ネットワーク遅延を試験条件に含めます。すべてをPoCで再現できなければ、SATで確認する項目へ移し、未確認として追跡します。

PoC評価表の作り方

PoCの合否値は、この記事やベンダーが一律に決めるものではありません。顧客要求、工程能力、流出時の影響、現在の検査、再検能力から工場が設定します。評価表の例は次の通りです。

分母のないパーセントは受入資料として不十分です。また、全体平均だけでは特定品番の問題を隠します。原画像、前処理画像、モデル版、閾値、判定理由、PLC応答を追跡できるようにし、再集計可能な状態で結果を納品物に含めます。

RFPに入れるべき要求事項

RFPでは「AIカメラ一式」ではなく、検査セル、データ、連携、運用、検収を章立てします。

業務・品質要求

• 欠陥定義、重大度、OK/NG/REVIEW処置、再検フロー
• 対象品番と将来品種、品種切替方法、レシピ権限
• 見逃し・誤検出・撮像失敗・処理時間の受入方法
• 顧客監査、画像保存、保存期間、検索、削除の要件

光学・機械・制御要求

• カメラ、レンズ、照明、遮光、治具、センサーの選定根拠
• 視野、ワーク距離、許容位置ずれ、速度、振動条件
• PLC信号、排出機構、フェイルセーフ、非常停止との境界
• 清掃、校正、交換後の復旧手順、予備品と入手性

AI・データ要求

• 採用方式、学習データの由来、ラベル手順、評価セットの独立性
• モデル、閾値、レシピ、ソフトウェアの版管理と変更承認
• 不確実・未知入力の扱い、REVIEWと手動上書き
• データ所有権、再学習物の利用権、持出し、暗号化、アクセスログ
• ドリフト検知、再学習の開始条件、ロールバック方法

システム・サービス要求

• エッジPC、ネットワーク、PLC、MES/QMSとのインターフェース
• 処理量、レイテンシ、エラー率、時刻同期、オフライン時の動作
• バックアップ、障害復旧、サイバーセキュリティ、遠隔保守
• タイ語・英語を含む教育、マニュアル、サービス時間、現地対応
• FAT、SAT、安定稼働確認、瑕疵対応、変更管理の責任分界

NISTのAI for Manufacturingプロジェクトは、用途適合性、相互運用性、Human-AI teaming、解釈可能性、追跡性を研究対象とし、システム統合の評価に処理量、レイテンシ、エラー率、意味的な正しさ、拡張性を挙げています。RFPもモデル精度だけでなく、これらのシステム指標を含むべきです。

FAT・SAT・受入判定を分ける

FATは供給者側または出荷前環境で仕様を確認する試験、SATは実工場に据え付けた後の試験です。AI外観検査では、同じデータを再生して終えるのではなく、試験場所ごとのリスクを分けます。

受入判定は「合格／不合格」だけでなく、未検証項目、条件付き合格、是正期限、再試験方法、残存リスクの承認者を記録します。閾値を変更して合格させた場合、変更前後の見逃しと誤検出を再評価します。モデル版、データ版、照明設定が変わったら、どの試験を再実行するかを変更管理表に定めます。

AI外観検査導入の費用とTCOをどう見積もるか

具体金額は、対象製品、光学系、ライン改造、データ準備、連携、サービス条件によって変わるため、一般値を当てはめるべきではありません。見積書は少なくとも次の項目に分解します。

初期費用

• 現場調査、要件定義、サンプル撮像、PoC
• カメラ、レンズ、照明、遮光、治具、センサー、制御盤
• エッジPC、GPU、ストレージ、ネットワーク
• AIソフトウェア、画像処理、HMI、PLC、MES/QMS連携
• データ収集、ラベル付け、モデル開発、検証
• 据付、FAT、SAT、教育、文書、プロジェクト管理

継続費用

• ソフトウェア・クラウド・サポートの契約
• 照明、カメラ、PC、ストレージ、予備品の更新
• 画像保管、バックアップ、通信、セキュリティ運用
• KPI監視、誤判定レビュー、再ラベル、再学習、再検証
• 品種追加、ライン移設、設備変更、監査対応
• REVIEWと再検に残る人の工数

TCOは次のように、対象期間を揃えて比較します。

TCO = 初期費用 + 対象期間の継続費用 + 内部人件費 + 停止・変更リスクの期待費用 − 残存価値

便益も、作業者削減だけに限定しません。

正味便益 = 再検・選別工数の変化 + 流出・廃棄・手直し損失の変化 + 停止時間の変化 + 監査・追跡工数の変化 − 新たに増える運用負担

ROIを計算する場合は、各項目の仮定、証拠、範囲、感度を示します。重大不良の発生が少ない場合、短期データだけで流出削減額を確定しないでください。PoCでは技術成立性、量産後の安定稼働期間では実際の運用コストと便益を更新する二段階評価が現実的です。

タイBOIには自動化・技術投資に関する情報ページがありますが、この記事は優遇の適用可否を判断するものではありません。対象事業、設備・ソフトウェア費用の扱い、申請時期、期限、既存設備改造の扱いは変更され得ます。投資を決める前に、相談時点の公式情報をBOIおよび資格を持つ専門家へ確認してください。優遇が得られる前提でROIを組まないことが安全です。

本番運用：データドリフトと設備劣化を見分ける

導入時に合格したモデルも、製品、材料、工程、カメラ、照明、運用が変われば結果が変化します。これを広くデータドリフトとして監視しますが、原因はAIだけとは限りません。照明の汚れ、レンズの緩み、治具摩耗、上流工程の変化、品種追加、ラベル方針の変更を切り分けます。

監視ダッシュボードでは、少なくとも次を品番、欠陥、シフト、設備、モデル版ごとに表示します。

• OK、NG、REVIEW、撮像失敗、通信失敗の件数と推移
• 人の裁定後に判明した見逃し・誤検出
• スコア分布、画像特徴の変化、未知入力の増加
• 処理時間、キュー、保存失敗、PLC応答異常
• 照明設定、カメラ温度など取得可能な設備状態
• モデル・閾値・レシピ変更履歴と、変更前後の比較

アラートを出した後の標準作業も必要です。「製造を止める」「人検査へ切り替える」「最後に正常確認した時点まで隔離する」「保全を呼ぶ」「モデルを戻す」といった処置と権限を決めます。AIのスコア低下を自動再学習だけで解決すると、設備故障や工程異常を学習に取り込む危険があります。まず原因を確認し、承認されたデータと手順で再学習・再検証します。

NIST AI RMF Coreは、Govern、Map、Measure、Manageの4機能を反復的に用いる枠組みです。製造現場に置き換えると、責任者と変更ルールを決め、用途とリスクを定義し、実環境に近い条件で測定し、運用中の監視・上書き・事故対応・復旧を管理する流れになります。これはタイ固有の法的義務を示すものではありませんが、導入後まで責任を切らないための実務的なチェックになります。

人の最終判断を残す設計

目視検査自動化は、人を単純に外す計画ではありません。人が何を見るかを変える計画です。安定した反復判定をシステムへ移し、人は例外、重大欠陥、原因分析、改善、顧客判断に集中します。

そのためには、REVIEW画面に原画像、注目位置、判定理由、過去類似例、品番・ロット情報を表示し、承認・否認・保留を記録できるようにします。人がAIを上書きした記録は、誰が、いつ、なぜ、どの処置を選んだかを残します。上書き率を人の失敗として扱わず、閾値や欠陥定義の改善材料にします。

重大な出荷判定では、モデルの出力だけで自動出荷を許すか、人の二次確認を必須にするかをリスクに応じて決めます。障害時には人検査へ安全に戻せる能力、いわゆるフォールバックを維持します。担当者の教育には、画面操作だけでなく、AIの対象外、撮像不良の兆候、上書き基準、インシデント報告を含めます。

導入プロジェクトの役割分担

責任分担表では、作業者だけでなく承認者を一人に定めます。「品質とITで相談」は責任主体になりません。モデル変更、閾値変更、照明交換、品種追加ごとに申請、影響評価、試験、承認、リリース、ロールバックの流れを作ります。

よくある失敗と回避策

良いサンプルだけでPoCを行う

回避策は、量産の変動を列挙し、評価データを封印し、条件別に集計することです。良品の多様性と、重要不良の不足を別々に管理します。

全体の正解率だけで受け入れる

欠陥別の見逃しと良品の誤検出を分けます。分母、サンプル由来、未検証領域を残し、REVIEWを含む工程結果で判断します。

モデルの問題と設備の問題を混ぜる

原画像と設備状態を保存し、撮像失敗、照明変動、位置ずれ、推論異常、通信異常を別コードにします。保全後の再現試験を標準化します。

費用をカメラとAIライセンスだけで見る

治具、制御、データ、ラベル、連携、検証、教育、保存、監視、品種追加をTCOに入れます。社内担当者の時間も見積もります。

本番後の担当者がいない

KPI所有者、アラート対応、再学習承認、ベンダー連絡、障害時の人検査を稼働前に割り当てます。

FAQ：外観検査AI・画像検査AIの導入判断

外観検査AIとは何ですか？

カメラなどで取得した画像から、傷、汚れ、欠け、組付け違いなどの異常候補を検出・分類する仕組みです。実際の導入はAIモデルだけでなく、照明、レンズ、治具、PLC、排出、画像保存、人の再確認を含む検査システムです。

画像検査AIは目視検査を完全に置き換えられますか？

対象と条件によります。安定して撮像でき、欠陥定義が明確な反復作業は自動化候補です。一方、未知の異常、曖昧な官能判断、重大な最終出荷判断には、人のREVIEWやフォールバックを残す設計が適します。

不良品検出AIの精度目標は何％にすべきですか？

一律の数値はありません。欠陥の重大度、現在の検査能力、流出時の影響、再検能力から、欠陥別の見逃し上限と誤検出上限を工場が決めます。全体正解率だけでなく、分母、条件、未検証範囲を明示してください。

AI外観検査導入の費用はどのように比較しますか？

PoC、光学・機械、制御、IT連携、データ作成、ソフトウェア、据付、FAT/SAT、教育に分け、さらに保守、保存、監視、再学習、品種追加、REVIEW工数を含むTCOで比較します。具体金額は現場調査と要求仕様をそろえた見積で確認します。

正常品学習なら不良サンプルは不要ですか？

学習時に正常画像を中心に使う方式でも、PoCと受入には不良サンプルが必要です。特に重大欠陥が不足する場合は未検証とし、追加試験や人検査を残します。

データドリフトにはどう対応しますか？

判定比率とスコアだけでなく、品番、シフト、設備、照明、モデル版ごとに変化を見ます。原因を設備、工程、データ、モデルに切り分け、承認済みデータで再学習し、封印した評価セットで再検証します。

関連情報

画像だけでなく設備・工程データを組み合わせた異常検知を検討する場合は、工場のAI異常検知の進め方も参考になります。検査結果を品質改善へつなげるデータ設計は、品質検査データのAI分析で詳しく解説しています。

まとめ：AI外観検査導入は受入条件から逆算する

タイ工場のAI外観検査導入では、モデル選びより先に、欠陥と処置、撮像条件、誤検出・見逃し、REVIEW、データ、連携、受入、運用監視を決めます。PoCはデモではなく投資判断、RFPは機器一覧ではなく責任と証拠の契約、FAT・SATは実環境への適合確認です。費用は初期見積だけでなくTCOで比較し、稼働後はドリフト、設備劣化、変更履歴を監視します。AIに最終責任を預けず、人が安全に上書きし、障害時に戻せる工程を作ることが、持続する自動化への近道です。

対象工程の切り分け、PoC評価表、RFP、FAT/SATの作成段階から相談したい場合は、TOMAS TECHへお問い合わせください。まだカメラやAI方式が決まっていない検討初期でも、タイ工場の現物・設備・品質フローを基に要件整理からご相談いただけます。

参考資料

• NIST, 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing
• MVTec, MVTec AD 2
• ISO, ISO/TR 14997-2:2022
• NIST AIRC, AI RMF Core
• NIST, Artificial Intelligence (AI) for Manufacturing
• Thailand BOI, Automation information