初期投資ゼロで始められるスマホ検品の具体的な手順を解説。照明の工夫、撮影のコツ、精度の限界と専用装置への移行タイミングまで網羅します。
小規模工場でのAI画像認識による検品は、手持ちのスマートフォンと簡易的な照明環境さえ整えれば、初期投資ゼロで即日スタートできます。高額な産業用カメラや画像処理システムを導入する前に、まずスマホで検品の自動化を試し、効果を実感してから段階的にシステムを高度化していくアプローチが、コストリスクを最小限に抑える現実的な方法です。
本記事では、スマホ検品の具体的な始め方を「準備」「撮影」「判定」「運用」の4ステップに分けて解説します。また、スマホ検品の精度限界を正しく理解したうえで、専用装置への移行が必要になるタイミングの見極め方もお伝えします。
検品に使うスマートフォンは、最新の高級機種である必要はありません。AI推論の処理性能を考慮すると、iPhone 13以降またはGoogle Pixel 6以降の端末であれば十分な性能を備えています。中古市場であれば1〜3万円程度で入手でき、検査専用端末として固定運用することで、作業者の個人端末に依存しない安定した運用が可能になります。
カメラの画素数は1,200万画素（12MP）以上あれば問題ありません。検品においてはカメラの画素数よりも、照明環境と撮影距離の安定性のほうがはるかに重要です。画素数が高すぎるとデータ量が増加し、AI推論の処理速度が低下する場合もあるため、適切な撮影解像度に設定しておくことをおすすめします。
※ 掲載の金額・単価は執筆時点の参考値です。実際の費用は要件・時期により変動します。
スマホ検品で最も重要な成功要因は照明です。製造業の画像検査では「照明が品質の8割を決める」と言われており、これはスマホ検品でも例外ではありません。初期段階で用意すべき照明機材は以下の通りです。
照明のポイントは「再現性」です。毎回同じ照明条件で撮影できるよう、ライトの位置と角度を固定することが最も重要です。窓からの自然光は時間帯や天候で変化するため、できるだけ遮光した環境で人工照明のみを使用してください。
スマホを手持ちで撮影すると、毎回微妙に撮影距離や角度が変わり、AI認識の精度が低下します。100円ショップの材料でも十分な撮影台を自作できます。段ボール箱の内側を白く塗り、上部にスマホ固定用の穴を開けるだけで、簡易的な撮影ボックスが完成します。ワイヤースタンドやクリップスタンドでスマホを上向きに固定し、その下に製品を置く構成でも十分です。
重要なのは、撮影距離（スマホから製品までの距離）を毎回同じにすることです。最適な撮影距離は製品サイズによりますが、一般的には15〜25cm程度が解像度と視野角のバランスが良い範囲です。
スマホ検品の次のステップとして、専用のハンディターミナルによるAI検査システムをご提供しています。照明内蔵・防塵防水対応で、現場環境に最適化された検査体験を実現します。
スマホのカメラアプリは通常、ホワイトバランスを自動調整します。しかし検品用途では、色味の微妙な変化が不良判定に影響するため、ホワイトバランスを手動で固定してください。iPhoneであればProカメラモードやサードパーティアプリ（Halide等）で設定できます。Androidでもプロモードが搭載されている端末が多く、色温度を固定値に設定できます。
自動露出は撮影のたびに明るさが変わるリスクがあります。ISO感度とシャッタースピードを手動で固定し、照明環境に合わせた最適値を事前にテスト撮影で決めておきましょう。ISO値は100〜200程度の低感度がノイズを抑えて有利です。
オートフォーカスが毎回微妙に異なるピント位置に合焦すると、画像のシャープネスにばらつきが生じます。製品とスマホの距離を固定したうえで、マニュアルフォーカスでピント位置をロックしてください。
1個ずつ手動でシャッターを切るのは非効率です。タイマー撮影やリモートシャッター（Bluetoothリモコンは500円程度で入手可能）を活用し、製品を置いたらボタン一つで撮影が完了するワークフローを構築しましょう。音声コマンドでのシャッター操作も有効です。
撮影した画像にはロット番号や日時が特定できる命名規則を設けてください。後からAIモデルの学習データとして活用する際や、品質トラブルが発生した際のトレーサビリティ確保に不可欠です。
スマホ上で直接AI判定を行う方法として、TensorFlow Lite（TFLite）やApple Core MLを活用したカスタムアプリがあります。ただし、これらの開発にはプログラミング知識が必要です。より手軽に始めるなら、Google Teachable MachineやLobe（Microsoft）といったノーコードツールでモデルを学習させ、そのモデルをスマホアプリに組み込む方法がおすすめです。
Teachable Machineの場合、ブラウザ上で「良品」「不良品」の画像をそれぞれ30〜50枚アップロードするだけで、数分で分類モデルが完成します。精度は画像の品質と枚数に依存しますが、照明条件を統一した画像であれば、初期的な良否判定モデルとして十分機能します。
より高精度な判定が必要な場合は、Google Cloud Vision APIやAWS Rekognitionをスマホアプリから呼び出す構成も検討できます。撮影した画像をAPIに送信し、返却された分析結果をもとに良否判定を行います。無料枠（月間1,000〜5,000リクエスト程度）の範囲内であればコストゼロで利用可能です。
ただし、クラウドAPIは汎用的な画像認識エンジンであり、特定の製品に特化した欠陥検出には限界があります。自社製品に特化した検出精度を求める場合は、カスタムモデルの学習が必要になります。
※ 掲載の金額・単価は執筆時点の参考値です。実際の費用は要件・時期により変動します。
| ツール | 費用 | 難易度 | 適した用途 |
|---|---|---|---|
| Teachable Machine | 無料 | 低 | 2〜3クラスの簡易分類 |
| Lobe (Microsoft) | 無料 | 低 | デスクトップでのモデル学習 |
| TensorFlow Lite | 無料 | 中〜高 | カスタムモデルのオンデバイス推論 |
| Cloud Vision API | 無料枠あり | 中 | 汎用的な画像認識・ラベル付け |
| Azure Custom Vision | 無料枠あり | 中 | カスタム分類・物体検出 |
ノーコードツールで作成したモデルは、学習データの品質と量に強く依存します。学習画像が50枚以下の場合、未知の欠陥パターンに対する検出漏れが頻発する可能性があります。初期テストで十分な精度が得られない場合は、学習データの追加か、専門のAIベンダーへの相談を検討してください。
スマホ検品を導入する際の最大の障壁は、既存の作業ワークフローへの統合です。検査工程にスマホ操作を追加すると作業時間が増加し、現場の反発を招くリスクがあります。この問題を解消するには、撮影と判定のプロセスをできる限り自動化し、作業者の負担を最小限に抑える工夫が必要です。
具体的には、スマホを固定撮影台に設置し、製品を所定の位置に置くだけで自動撮影・自動判定が行われる構成が理想的です。判定結果を音声（「OK」「NG」）でフィードバックすれば、作業者は画面を確認する必要もありません。
スマホ検品のもう一つのメリットは、検査画像と判定結果がデジタルデータとして自動的に蓄積される点です。これまで紙のチェックシートで管理していた検査記録を、スマホ内またはクラウドストレージにデジタル保存することで、トレーサビリティの確保と品質データの分析が容易になります。
Google スプレッドシートやNotionなどの無料ツールと連携させれば、検査日時・ロット番号・判定結果・画像URLを自動記録するシステムを低コストで構築できます。品質管理部門への報告資料も自動生成可能です。
スマホ検品には明確な精度限界があります。以下のケースに該当する場合は、スマホではなく専用の検査装置を検討すべきです。
スマホ検品から専用装置への移行を検討すべきサインは以下の3つです。第一に、スマホ検品で検出漏れが繰り返し発生し、後工程や出荷後のクレームにつながっている場合。第二に、検品工程がボトルネックとなり、生産性が制限されている場合。第三に、取引先や認証機関から検査システムの信頼性に関する要求が出ている場合です。
このような状況になったら、ハンディターミナル型の専用AI検査端末や、据置型の産業用AIカメラシステムへの移行を段階的に進めることをおすすめします。スマホ検品で蓄積した画像データは、専用システムのAIモデル学習にそのまま活用できるため、スマホ検品の期間は決して無駄にはなりません。
| 判断基準 | スマホ検品で対応可 | 専用装置への移行を検討 |
|---|---|---|
| 欠陥サイズ | 0.5mm以上 | 0.1mm以下 |
| タクトタイム | 1秒以上/個 | 1秒未満/個 |
| 稼働時間 | 4時間以内/日 | 8時間以上/日 |
| 環境条件 | 室内・クリーン環境 | 粉塵・高温・多湿 |
| 計測精度 | 目視レベルの良否判定 | 0.01mm単位の寸法計測 |
スマホ検品から専用装置への移行時期を相談したい
無料相談する →スマホ検品は、小規模工場がAI画像認識による品質管理を始めるための最も手軽で現実的なアプローチです。手持ちのスマートフォンに照明と固定台を組み合わせるだけで、初期投資を最小限に抑えながら検品の自動化を体験できます。
完璧なシステムを最初から構築しようとせず、「まず動くものを作り、使いながら改善する」という姿勢が重要です。スマホ検品で効果を実感し、精度の限界を体感したうえで、ハンディターミナルや産業用AIカメラへと段階的に移行していけば、投資対効果を最大化しながら検査品質を着実に向上させることができます。
スマートフォン本体を既にお持ちであれば、追加費用ゼロで始められます。精度を上げたい場合は、簡易撮影台（3,000〜5,000円）とLEDライト（2,000〜3,000円）を用意すると効果的です。無料のAI画像認識アプリやオープンソースツールを活用すれば、ソフトウェア費用もかかりません。
照明と撮影条件を適切に整えれば、0.5mm以上の欠陥であれば90%以上の検出率を達成できるケースが多いです。ただし、0.1mm以下の微細欠陥や、光沢面の微小な傷の検出は困難です。精度の限界を感じたら、専用装置への移行を検討するタイミングです。
AI推論性能の観点からは、iPhone 13以降またはGoogle Pixel 6以降がおすすめです。カメラ性能よりもAIアクセラレータの性能が重要で、これらの端末はオンデバイスでの画像認識処理が安定しています。中古端末でも十分に活用可能です。