品種切替で検査が止まる原因は？

ルールベースでは品種ごとのパラメータ手動切替に15から30分、Deep Learningでは品種ごとに別モデルの維持コストが問題になります。

VLMハイブリッドで切替工数はどう変わる？

NG画像生成で新品種の学習データを即補完、オートアノテーションで教師データ作成を自動化、ブラウザベースの学習UIで現場完結の対応が可能になります。

多品種生産ラインでは、1日に数回〜数十回の品種切替が発生します。製造装置の金型交換やパラメータ変更はSMED（シングル段取り）等の手法で改善が進んでいますが、検査工程の品種切替は取り残されがちです。

品種ごとに検査パラメータ（閾値、検査範囲、判定基準）を手動で切り替える必要がある。熟練者でも1回15〜30分。設定ミスによる誤検知・見逃しのリスクも。

品種ごとに別のAIモデルに切り替える。モデルの読み込み自体は数秒だが、品種ごとにモデルを開発・維持するコストが問題。

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。具体的には以下の3つの機能をパッケージ化していく方針です。

🧠

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。新品種の立ち上げ時にも検査精度を確保。

🖥️

VLMが検査画像のラベル付けを自動で行い、品種追加時の教師データ作成工数を削減。

🏷️

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。専門知識が不要で、品種追加の初期対応が現場で完結。

賞味期限・ロット番号・産地情報等の読み取り・照合については、VLMが検査自体を行います。学習なしで文字の位置と意味を理解し、マスターデータと照合する用途です。この用途では品種切替時の設定変更が最小限になります。