ルールベース・Deep Learning・VLMの3手法を、メーカー側（キーエンス）とユーザー側（導入支援）の両経験から比較。AI外観検査ベンダーの選び方も解説。
筆者はキーエンスの画像処理事業部で検査システムを開発・提案する「メーカー側」を経験し、その後Nsightを創業して「ユーザー側に立って導入を支援する側」に転じました。両方の立場を経験して見えたことを、本音で書きます。
筆者（監修：嶋野）は画像処理装置メーカーの開発・提案部門で外観検査システムに携わってきました。大手メーカーの画像処理装置はルールベース検査での性能・サポート体制ともに強力ですが、現場で正直に感じていたことが2つあります。
1つは、多品種対応と文字認識（OCR）の領域では、ハードウェアの性能だけでは解決できない壁があること。品種ごとの設定変更が現場運用のボトルネックになり、検査基準の属人化や手戻りが発生していました。
もう1つは、「使いこなせる現場」と「使いこなせない現場」の差が大きいこと。同じ装置を導入しても、照明設計が甘いと精度が出ず、AIの性能を100%引き出せないケースが少なくありませんでした。
導入を支援する立場になってからは、製造現場がAI検査に対して「過度な期待」と「過度な不安」の両方を抱えていることが見えてきました。
| よくある誤解 | 実態 |
|---|---|
| 過度な期待：「AIを入れれば全部自動化される」 | 実際は照明・治具・PLC連携など、AI以外の要素が成功要因の8割。 |
| 過度な不安：「うちは品種が多いからAIは無理」 | VLMハイブリッドなら品種追加コストはほぼゼロにできる構成がある。 |
あらかじめ閾値やパターンマッチングなどのプログラムで良否を判定する手法です。適するケース：寸法・色差・有無判定など検査基準が明確に定義できる対象、単一品種の大量生産ライン。限界：想定外の不良には対応できず、品種追加のたびにパラメータ再設計が必要です。
大量のOK/NG画像から学習し、微細キズ・テクスチャ異常・形状変形を識別します。適するケース：NG画像が十分に集まる検査、複雑な欠陥パターン。限界：NG画像が少ない、または品種が多すぎて学習が追いつかない場合は精度が上がりません。
言語と画像を同時に理解するモデルで、Nsightでは本番ループには乗せず、学習データの自動生成・新品種追加時のアノテーション・曖昧ケースの補助判定を担当させます。本番推論はCNN×ルールベースがラインスピードで処理します。OCR・ラベル認識のタスクでは、VLMが直接推論を担当し、学習なしで文字位置・意味を理解してマスター照合します。
| 方式 | 長所 | 短所 |
|---|---|---|
| クラウドAI | モデル更新が容易 | レイテンシ・通信依存・データ流出リスク |
| エッジAI | 高速（10〜50ms）・オフライン可 | 機器コスト |
| ハイブリッド | 両方の利点 | システム設計の複雑度 |
品種切替時間（数時間 vs 数日）、新品種追加の自社対応可否、汎化モデルの有無、マスター指示への対応力。多品種ラインでは、ここがTCO（総所有コスト）に最も大きく影響します。
現場オペレーターの教育しやすさ、ブラウザベースUIか専用ツールか、遠隔保守の対応、ログ・トレーサビリティ機能。
業界実績、現場エンジニアの製造業経験、サポート体制、長期パートナー性。価格だけで選定すると、長期的に大きなコストロスを生みやすい領域です。
業界20年以上の老舗。長期実績・全国サポート体制が充実し、汎用検査向けの装置を多数ラインナップ。一方、装置価格が高く、VLMなど最新技術の取り込みが遅め。適するケース：単一品種の大量生産、検査項目がシンプル、メーカーサポート重視。
最新AI技術への追随が早く、革新的な検査タスクに強い。一方、業界実績・サポート体制で老舗には劣るケースがある。適するケース：多品種少量、革新的な検査、撮像系（光学）の設計力を持つベンダーを選べる場合。Nsightはここに該当します。
既存ラインへの統合・自社開発力に強み。AI技術自体は外部ライブラリ依存になることが多い。適するケース：既存設備との複雑な統合案件。
どのベンダーカテゴリが自社に合うか、まず相談する
無料相談する →照明・カメラまで設計できるか
AIモデルだけ提供して照明は顧客任せ、というベンダーは要注意。撮像品質で精度の8割が決まる。
「向かないケース」を正直に言うか
何でもできると言うベンダーより、「この条件では精度が出にくい」と言えるベンダーの方が信頼できる。
PoC環境が本番に近いか
ラボ環境でのPoCは参考にならない。本番ラインの実環境でPoCを実施できるベンダーを選ぶ。
既存ハードを活かす提案ができるか
既存の画像処理システムにVLMをソフトウェアレイヤーとして追加する構成が組めるか。総入れ替え提案だけのベンダーは選択肢が狭い。
多品種対応の実績があるか
単一品種の事例しかないベンダーは多品種では苦戦する。品種50〜100規模の実績があるかを確認。
複数ベンダーから最適な1社を選定する際は、要件定義書の作成 → 提案依頼書（RFP）の発行 → 提案書の比較評価 → PoCによる実機検証 → 最終選定の段階的プロセスが標準です。
業務要件（検査対象・判定基準・サイクルタイム）／技術要件（精度・拡張性・統合方式）／運用要件（教育・保守・改善）／商務要件（予算・契約形態・支払条件）の4分類で網羅的に整理。曖昧な要件はベンダー間比較を困難にします。
提案書だけで判断せず、最低2社でPoCを実施。同一サンプル・同一条件で比較することで、実機性能の差が明確になります。PoC費用は50〜200万円が標準ですが、選定失敗のリスクと比較すれば妥当な投資です。Nsightはサンプル画像での精度評価を無料で提供しています。
― 注意 上記コストはあくまで一般的な参考レンジです。実際の費用は検査対象・品種数・設備規模・要件により大幅に変動します。正確な見積もりは個別ヒアリング後にご提案します。
AI検査ベンダーは導入後5〜10年の長期パートナーとなります。技術的力量だけでなく、企業体力、サポート体制、改善提案力を総合評価。価格だけで選定すると、長期的に大きなコストロスを生みやすい領域です。
Nsightは画像処理装置メーカー出身のエンジニアが在籍しており、照明・カメラ・レンズ・検査フローの一体設計から、ルールベース×CNN×VLMのハイブリッド構成によるソフトウェア実装まで一気通貫で提供できる点が最大の差別化です。
既存の画像処理システム（カメラ・照明・コントローラー）はそのまま活かし、VLMをソフトウェアレイヤーとして追加する構成にも対応します。ルールベースで安定検出できる欠陥はそのまま、従来手法では対応が難しかった多品種対応・微妙な外観差の判定・未知欠陥の検出をVLMが補完します。
まずはサンプル画像で無料検証しませんか？
無料サンプル検証を依頼する →製造ラインで培ったVLM・エッジAI・光学設計のノウハウは、物流の入荷検品・OCR・倉庫オペにも応用できます。
品種数、タクトタイム、不良パターンの種類、既存設備との連携要件の4点を基準に選ぶべきです。
画像処理装置メーカーのパッケージ製品はルールベースが主体で安定性が高い。AI検査は柔軟性が高いが学習データが必要。VLMハイブリッドは両方の良い部分を組み合わせます。
極めて少ない出現頻度の希少不良、明確な規格値での寸法判定、危険物検出などは従来手法が優位です。VLMの強みは「多品種・グレーゾーン判定・新品種への即時対応」にあります。
標準的にサンプル検証（1週間）→ PoC（2〜4週間）→ 設計・開発（1〜2ヶ月）→ 設置・調整（2〜4週間）の流れで、合計4〜6ヶ月です。検査項目数と撮像難易度により変動します。
はい。並行運用で判定差異を検証しながら段階的に切替えるのが安全です。Nsightでは既存の画像処理システムに、VLMをソフトウェアレイヤーとして追加する構成にも対応しています。
VLM単体は推論レイテンシが大きいため、外観検査のリアルタイム判定には乗せません。本番ループはCNN×ルールベース（0.2秒/個）が担当し、VLMは学習データ生成・アノテーション自動化・グレーゾーン判定の補助に専念します。ただしOCR・ラベル照合タスクではVLMが直接推論を担当します。
従来手法では品種ごとにNG画像を集める必要がありましたが、VLMのオートアノテーションとNG画像生成機能により、新品種追加時の学習データ収集コストを大幅に削減できます。実際の現場では、新品種の追加が同日対応で完了するケースもあります。
外観検査の精度を決める最大の要素は撮像系（照明・カメラ・前処理）です。ソフト専業のベンダーでは「画像の品質が悪い」と言われて終わってしまうケースが、撮像系まで設計できるエンジニアがいれば「どの照明方式に変えれば検出できるか」まで具体的な改善策が出せます。
業界標準で50〜200万円が一般的です。Nsightではサンプル画像での無料検証を提供しており、本番ラインでのPoCに進むかは精度評価の結果を見てから判断いただけます。
ものづくり補助金、IT導入補助金、中小企業省力化投資補助金など、AI外観検査の導入に活用できる補助金があります。Nsightでは補助金申請のサポートも提供しています。