目次
「精度が出ない」——よくある状況
「AI外観検査システムを導入したが、過検出が多くて使い物にならない」「良品を不良品と判定してしまい、歩留まりが悪化した」「特定の品種だけ精度が出ない」——こうした相談が非常に多く寄せられます。
AI外観検査への期待は「導入すれば自動で検査してくれる」というものですが、現実はそう甘くありません。精度99%を出せるシステムもあれば、80%止まりで「使えない」と判断されるシステムもあります。
この差はどこから生まれるのか。結論から言えば、多くの場合、原因はAIアルゴリズムの性能ではありません。
よくある誤解
「AIソフトの性能が悪いから精度が出ない」と考え、別のAIベンダーに乗り換えるケースが多い。しかしソフトを変えても精度が改善しないことがほとんど。なぜなら、問題はソフトではなく「AIに入力している画像の品質」にあるから。
原因①：照明設計の不備（最大の原因）
AI外観検査の精度を決める最大の要素は照明です。アルゴリズムでもカメラでもありません。
照明が不適切だと、欠陥と正常部分のコントラストが不十分になり、どんなに優秀なAIを使っても「見えないものは検出できない」状態になります。
よくある照明の失敗パターン
失敗①：1種類の照明で全欠陥を検出しようとする
キズにはローアングル照明、打痕には同軸落射照明、汚れにはドーム照明——欠陥の種類ごとに最適な照明方式は異なる。1つの照明で全てをカバーしようとすると、必ずどこかで精度が落ちる。
失敗②：照明の角度・距離が最適化されていない
同じリング照明でも、ワークとの距離・角度で見え方が大きく変わる。「明るければいい」という設計では安定しない。欠陥ごとにコントラストが最大になる条件を追い込む必要がある。
失敗③：環境光の影響を考慮していない
工場の天井照明や窓からの自然光が検査画像に影響する。時間帯や季節で明るさが変わり、検査結果が不安定になる。遮光カバーやフィルターで環境光を遮断することが基本。
失敗④：金属光沢面にリング照明を使っている
金属光沢面は正反射でハレーションが発生し、欠陥が白飛びする。同軸落射照明やドーム照明で正反射を制御する設計が必要。
対策
欠陥の種類ごとに最適な照明方式を選定し、多灯照明・複数回撮像で各欠陥に最適な照明条件を適用する。照明選定には実ワークでのテスト撮像が不可欠。カタログスペックだけで決めると失敗する。
原因②：カメラの画素分解能が不足
検出したい欠陥のサイズに対して、カメラの画素分解能が不足している場合、AI入力画像上で欠陥が数画素しかなく、安定検出が困難になります。
必要な分解能の計算方法
検出したい最小欠陥サイズが100μmの場合：
| 条件 | 計算 | 結果 |
|---|---|---|
| 安定検出に必要な画素数 | 最低5画素（理想10画素） | — |
| 必要な画素分解能 | 100μm ÷ 5画素 | 20μm/pixel以下 |
| 視野50mm×40mmの場合 | 50mm ÷ 0.02mm | 2,500画素以上必要 |
| 推奨カメラ | 2,500×2,000以上 | 500万画素以上 |
実務的な目安
「カメラの画素数を上げればいい」と考えがちだが、画素数を上げると1画素あたりの受光量が減り、暗い画像になる。照明の光量とのバランスが重要。また、高画素化は処理時間の増加にも直結する。視野・分解能・処理速度のバランスで最適解を見つける必要がある。
原因③：前処理が不十分
AIに入力する前の画像前処理が不十分だと、欠陥以外のノイズに反応して過検出が発生します。「AIが過検出する」のではなく、「ノイズだらけの画像をAIに渡している」のが原因です。
濃淡補正（シェーディング補正）
照明ムラによる明暗差を補正。画像全体の明るさを均一化することで、同じ欠陥が場所によって検出されたりされなかったりする問題を解消。
ノイズ除去フィルタ
メディアンフィルタ、ガウシアンフィルタで微小ノイズを除去。欠陥のサイズより小さいノイズを消すことで、AIの誤検出を抑制。
ROI（検査領域）設定
検査対象領域を正確に設定。ワークの外側、背景、治具部分をマスクしてAIに入力しない。ROIが甘いと背景のノイズをAIが欠陥と誤認する。
前処理は地味な作業ですが、精度への影響は非常に大きい。AIベンダーが「AIの性能が高いから前処理は不要」と言う場合がありますが、これは現場を知らない証拠です。
前処理の設計ノウハウについて詳しく知りたい方はこちら
前処理フィルター完全ガイド →原因④：学習データの質が悪い
AIの精度は学習データの質に直結します。「精度が出ない＝AIが悪い」ではなく、「精度が出ない＝学習データが悪い」ケースが非常に多いです。
学習データでよくある4つの問題
問題①：NG画像が少ない
良品は大量にあるがNG品が少ない。100枚で学習しても欠陥のバリエーションを網羅できず、学習した欠陥パターン以外は検出できない。特に新品種では深刻な問題。
問題②：アノテーションが不正確
欠陥の位置を囲むラベル付けが雑。境界が曖昧、ラベルの付け忘れ、作業者間で基準がバラバラ——これらはすべてAIの混乱につながる。
問題③：撮像条件がバラバラ
学習時と運用時で照明の明るさが異なる、カメラの位置がズレている、ワークの向きが統一されていない。学習データと実運用画像の一貫性がないとAIは安定しない。
問題④：品種間のデータ偏り
特定品種のデータが多く他が少ない。多品種ラインで10品種のうち3品種だけデータが豊富だと、残り7品種の精度は著しく低下する。
VLMによる解決
VLM（Vision Language Model）のNG画像生成機能を使えば、実際のNG品が少なくても学習データを補完できる。さらにオートアノテーション機能でラベル付けの品質を均一化できる。学習データの「量」と「質」の問題を同時に解決する手段として注目されている。
原因⑤：ソフトウェアだけで解決しようとしている
これが最も本質的な問題です。AI外観検査は「ソフトウェア」と「ハードウェア（照明・カメラ・レンズ・搬送）」の両方が揃って初めて機能します。
ソフトウェアだけを導入し、ハードウェアの設計を現場任せにしている場合、照明の選定ミス、カメラの分解能不足、ワークの搬送ブレが複合的に精度を下げます。
陥りがちなパターン
① AIソフトベンダーに発注→② ベンダーは「カメラと照明はそちらで用意してください」→③ 現場が適当に選定→④ 精度が出ない→⑤ 「AIの性能が悪い」とベンダーにクレーム→⑥ ベンダーは「画像の品質が悪い」と回答→⑦ 責任の押し付け合い→⑧ プロジェクトが頓挫
このパターンは本当によく起きます。原因は「ソフトとハードの設計が分断されていること」です。ソフトベンダーにはハードの設計ノウハウがなく、現場にはAIに適した画像の要件がわからない。この構造的なギャップが精度問題の根本原因です。
精度を決める要素の優先順位
AI外観検査の精度への影響度を、元キーエンス画像処理部門の経験に基づいて定量化すると以下のようになります。
| 順位 | 要素 | 影響度 | 備考 |
|---|---|---|---|
| 1位 | 照明設計 | 40% | 最も影響が大きく、最も軽視されている |
| 2位 | カメラ・レンズ選定 | 25% | 分解能と視野のバランス |
| 3位 | 前処理設計 | 15% | 地味だが重要 |
| 4位 | 学習データの質 | 12% | 量より質 |
| 5位 | AIアルゴリズム | 8% | 各社の差は意外と小さい |
結論
精度への影響度の65%はハードウェア設計（照明＋カメラ）で決まる。AIアルゴリズムの寄与は8%に過ぎない。ソフトウェアの性能比較に時間を費やすより、照明とカメラの設計を見直す方が精度改善に直結する。
精度改善チェックリスト
現在AI外観検査の精度に課題がある場合、以下の順番で確認してください。
1. 照明
欠陥種類ごとに照明を使い分けているか？環境光は遮断されているか？金属光沢面にリング照明を使っていないか？
2. カメラ
最小欠陥サイズに対して画素分解能は十分か？ブレ対策はできているか？被写界深度は足りているか？
3. 前処理
シェーディング補正は入っているか？ROIは正確に設定されているか？ノイズ除去は適切か？
4. 学習データ
NG画像は十分か？アノテーションの品質は均一か？撮像条件は統一されているか？
5. アルゴリズム
1〜4を全て改善した上で、なお精度が不足する場合にのみ検討。VLMの導入も選択肢。
6. 運用環境
温度変化による照明の明るさ変動、振動によるカメラブレ、ワークの搬送精度も確認。
Nsightのアプローチ
Nsightは元キーエンス画像処理部門のメンバーが在籍しており、ソフトウェアだけでなく、照明・カメラ・レンズの選定から装置設計まで一貫して対応します。
無料の精度診断
現在の検査画像をお送りいただければ、精度が出ない原因を無料で診断します。照明の変更だけで精度が劇的に改善するケースも多くあります。「AIを入れたが精度が出ない」という状態のリカバリーにも対応しています。
他社のAI検査システムで精度が出ない場合
ソフトウェアを入れ替えずに、ハード側（照明・カメラ・前処理）の調整だけで精度が改善する場合もあります。まずは画像を見せてください。
無料精度診断を依頼する →