VLM（Vision Language Model）が不良パターンを理解し良品画像から仮想NG画像を自動生成する仕組みと実践フロー。
VLM（Vision Language Model）は、大量のインターネットデータで事前学習された汎用的な「世界知識」を持つAIモデルです。この世界知識には「キズとはどういう見た目か」「打痕はどういうテクスチャか」「異物はどういう色調か」という欠陥の概念が含まれています。VLMはこの知識を使い、良品画像から仮想NG画像を自動生成します。
従来のGANとの決定的な違いは、NG画像が0枚の状態でも生成を開始できること。GANは「NG画像からNG画像を作る」のに対し、VLMは「良品画像と欠陥の概念理解からNG画像を作る」。スタート地点が根本的に異なります。
Nsightの検査アーキテクチャでは、VLMとCNNの役割を明確に分離しています。VLMは「準備係（教師役）」であり、CNNが「本番の検査員」です。
この分離には4つの理由があります。
| 理由 | 詳細 |
|---|---|
| 推論速度 | VLMの推論は500ms以上かかり、タクトタイム数十msの製造ラインでは回せない。CNNなら10ms以下で判定可能。 |
| 閾値制御 | 製造業は「スコア○○以上はNG」の定量判定が必須。VLMは定性的で閾値制御が不安定。CNNなら数値ベースで明確に判定。 |
| 説明責任 | 品質監査で「AIがそう言った」は通らない。CNNの出力はヒートマップで可視化でき、判定根拠を示せる。 |
| ハルシネーション | VLMは「間違った自信」を持つリスクがある。CNNは数値出力なのでブレが少ない。 |
このフローで、NG画像0枚の状態から約2週間でCNNベースの検査AIを構築できます。
VLMが事前学習しているのはインターネット上のデータです。文字やバーコードなどネットに大量にあるものは強いですが、特定製品の微細欠陥や業界固有の検査基準はネット上に存在しません。製造業の検査の大半は「その製品・その工程を知らないと判断できない」もの。だからこそVLMを検査の本番エンジンとして使うのではなく、NG画像生成とアノテーション自動化という「教師役」に徹させるのがNsightのアプローチです。
VLMによるNG画像自動生成は、AI外観検査の導入障壁を根本的に下げる技術です。0枚からスタートできること、アノテーションまで自動化されること。この2点がGANとの決定的な違いです。ただしVLMは本番検査には使わず、「教師役」に徹する。本番はCNNが担う。この直列構成こそがNsightの技術的な核心です。
従来のGANベースNG画像生成は、品種ごとに大量データと長い学習時間が必要でした。VLMの登場で、少量データから即座にNG画像生成が可能になり、AI検査導入の障壁が劇的に下がりました。
VLMは事前学習で「キズ」「打痕」「色ムラ」「異物」などの一般的概念を学習済み。OK画像と自然言語指示を入力するだけで、概念に応じたNG画像を合成生成できます。
位置・サイズ・形状・色を具体的に指示することで、リアルなNG画像を生成。
同じ不良タイプでも、サイズ・位置・形状のバリエーションを意図的に生成。
「金型割れによる傷は通常パーティングラインに沿う」など、物理現象として妥当な不良パターンを指示。
| 業界 | 主要NG生成パターン |
|---|---|
| 金属 | 傷・打痕・腐食・変色 |
| 樹脂 | ヒケ・気泡・ウェルドライン |
| 食品 | 異物・変色・形状不良 |
| 化粧品 | 容器傷・印字ミス |
VLM NG生成は当初「学習データ拡張」が主用途でしたが、応用範囲が拡大しています。新人検査員教育用の標準サンプル作成、稀少不良パターンのシミュレーション、品質基準すり合わせ会の議論材料、AIモデル弱点検証用の意図的サンプル生成。教育・品質管理・モデル改善など、多様な用途で活用が進んでいます。
業界別のVLM NG生成適用パターンが標準化しています。金属業界は傷・打痕・腐食・変色、樹脂業界はヒケ・気泡・ウェルドライン、食品業界は異物・変色・形状不良、化粧品業界は容器傷・印字ミス・装飾不良。業界共通の不良パターンに加え、各業界固有の不良パターンを生成する技術が、今後さらに発展する見込みです。
NG画像が足りない？まずはサンプル画像で無料相談
無料相談を依頼する →ゼロショット利用なら追加学習不要です。ファインチューニングする場合、数百〜数千枚のラベル付きデータで効果が出ます。
画像と自然言語の両方を理解する大規模AIモデルです。ゼロショットでの画像分類・質問応答・照合が可能です。
現時点では、VLMは裏方（NG画像生成・オートアノテーション・学習データ拡張）として活用し、本番判定は軽量モデルが主流です。