多品種外観検査とは
多品種外観検査とは、品種ごとにパラメータ調整やAI学習を行わず、1つのシステムで複数品種の外観を自動検査する手法です。
製造業では少量多品種生産の比率が年々増加。1ラインで10〜100品種以上を流す工場も珍しくありません。しかし従来の検査手法は品種ごとに設定や学習が必要なため、多品種ラインでは「検査の自動化が最も遅れる工程」になりがちです。
なぜ多品種外観検査は自動化が難しいのか
🔄 品種切替のたびに設定変更
ルールベースでは品種ごとにパラメータ調整が必要。多品種ラインでは設定だけで1日が終わる。
📊 不良品サンプルが集まらない
Deep Learningには大量の不良品画像が必要。不良率が低い製品では学習データが足りない。
👁️ 目視検査の属人化
検査員の経験・体調で判定が変わる。30分以上の連続検査で見逃し率が約20%増加。
💰 少量多品種ではROIが合わない
品種ごとにカスタムAIを開発すると初期費用が膨大。少量生産品では投資回収が見込めない。
よくある失敗パターン
「まず1品種でAI化してから横展開」は、品種ごとに個別AIモデルを開発する前提だと横展開のたびに同じコスト・期間が発生。多品種対応を前提としたシステム設計を最初から行うことが重要。
Nsightのハイブリッド構成による解決
Nsightはルールベース×従来AI×VLMのハイブリッド構成で多品種外観検査を実現します。
VLMの役割
NG画像生成（学習データ補完）、オートアノテーション（教師データ自動作成）、ラベル文字認識・照合
ルールベースの役割
高速判定（数ms）、寸法測定（サブピクセル精度）、明確なOK/NG判定
従来AIの役割
既知欠陥の高精度判定、学習データが十分ある品種の安定検査
なぜハイブリッドなのか
VLMは万能ではありません。推論速度はルールベースより遅く、既知欠陥の精度は十分な学習データがある従来AIに劣る場合も。現場で安定稼働するために各技術の長所を活かすハイブリッド構成を選択。
ブラウザベースの学習UIとVLMによる学習コスト削減
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。VLMがNG画像を生成して学習データの不足を補完し、アノテーションを自動化して教師データ作成の工数を削減。専門知識が不要で、現場の運用負荷を下げます。
元キーエンス技術者による一体設計
AI外観検査の成否は「撮り方」で8割決まります。Nsightの創業メンバーは元キーエンス画像処理事業部の技術者。照明・カメラ・検査フローをワンストップで設計。
照明設計
欠陥に合わせた照明方式（同軸落射、ローアングル、パターン投影等）の選定
カメラ選定
精度×タクトタイムから逆算した解像度・フレームレート設計
検査フロー
PLC連携、トリガ方式、合否判定後の排出制御まで
向く工程・向かない工程
向く工程
10品種以上の多品種ライン、ラベル印字の正誤判定、不良サンプルが少ない製品、品種追加が頻繁な工程
向かない工程
タクトタイム30ms以下の超高速検査、寸法公差±0.01mm以下の精密測定、品種1〜2の大量生産
ハイブリッドで対応
向かない工程はルールベース・従来AIとの組み合わせでカバー。PoC段階で検証
従来手法との比較
| 比較項目 | ルールベース | Deep Learning | Nsight ハイブリッド |
|---|---|---|---|
| 多品種対応 | ✕ 品種ごとに設定 | △ 品種ごとに学習 | ◎ NG画像生成・オートアノテーション |
| 学習データ | 不要 | 数百〜数千枚/品種 | ブラウザベースの学習UI |
| 品種追加工数 | 数日〜数週間 | 数週間〜数ヶ月 | 即日〜数日 |
| 文字認識 | ✕ 対応困難 | △ 個別開発 | ◎ VLMでラベル検査 |
| 品種コスト | 低〜中 | 高（数百万/品種） | 品種増でもコスト横ばい |
導入実績
導入までの流れ
無料相談
検査対象と課題をヒアリング。最適な検査方式を判断。
サンプル検証
サンプル画像で検査精度を無料評価。レポートで報告。
PoC実施
実際の生産ラインで2〜4週間の実証実験。
本番導入
照明・カメラ設計から運用定着まで一貫サポート。