AI画像検査の最大の壁：学習データ不足
Deep Learningベースの画像検査では、品種ごとに数百〜数千枚の不良品画像が必要です。しかし現実には：
不良率が低い
不良率0.1%の製品では、10,000個検査して不良品はわずか10個。品種ごとに必要な数百枚を集めるのに何ヶ月もかかる。
新製品・少量生産
新製品では過去の不良データがゼロ。少量生産品では数十個しか作らないケースもあり、学習に十分な不良品が物理的に存在しない。
不良パターンの多様性
キズ、汚れ、変形、異物、変色——不良パターンごとに十分なサンプルが必要。特定パターンの不良は年に数回しか発生しないことも。
品種追加のたびに再収集
品種追加のたびに学習データを一から収集。季節限定品やコラボ商品のように短期間しか生産しない品種では間に合わない。
Nsightのアプローチ：VLMを裏方として活用
Nsightはルールベース＋従来AIで検査を行い、VLMは「学習コストを下げる武器」として裏方で活用します。学習データ不足の問題に対しては、以下の3つの機能で対応し、パッケージ化していく方針です。
NG画像生成
VLMを活用して不良品画像を生成し、学習データの不足を補完。実際のNG品が少ない初期段階でも検査精度を確保。
アノテーション自動化
VLMが検査画像のラベル付けを自動で行い、人手によるアノテーション工数を削減。
ブラウザベースの学習機能
現場のオペレーターがブラウザ上で直感的にAIモデルの学習・調整を行える仕組み。専門知識が不要になることでお客様の運用負荷を下げる。
データが溜まる好循環
これらの機能により、お客様にとっての使いやすさを高めると同時に、各現場の検査データを蓄積できる構造を作ります。ブラウザベースの学習機能がデータ蓄積の仕組みそのもので、現場が学習を行うたびに検査データが蓄積される好循環を回します。
ラベル文字認識・照合（VLMが検査自体を行う）
賞味期限・ロット番号・産地情報等の日本語テキストを読み取り、マスターデータと照合する用途については、VLMが検査自体を行います。VLMの「学習なしで文字の位置と意味を理解する」特性を活かせる領域です。