画像検品AIは既製か学習か — 件数と不良率で決まる

製造ラインの外観検査、倉庫での入荷品の仕分け、現場写真の分類。画像を見て判断する作業は、どの業種にも必ず残っています。「AIで自動化できないか」という相談も増えていますが、最初の分かれ道は既製のサービスをそのまま使うか、自社のデータで学習させた専用モデルを作るかです。

この選択は、機能一覧を並べても決まりません。決め手になるのは「月に何件判定するか」と「どのくらいの精度が必要か」、そして「間違えたときに何が起きるか」の3点です。本記事では、画像を扱う AI の種類を整理したうえで、件数と精度の観点からどちらを選ぶかの考え方、そして実装段階で高い確率で詰まる箇所を具体的に説明します。

まず「何を判定させるのか」を言葉にする

画像を扱う AI と一口に言っても、やっていることは同じではありません。発注前にこの区別ができていないと、見積もりも検収条件もぶれます。

ここで重要なのが異常検知です。通常の分類は「不良品の写真」を大量に集める必要がありますが、現場では不良品そのものが少ない。そこで正常品だけを学習させ、そこから外れたものを拾う方式が使われます。不良の種類を事前に列挙できない検品には、この方式が向きます。

なお、文字を読む用途であれば画像 AI ではなく OCR 側の設計になります。書類の型が決まっているかどうかで手段が変わる点は、OCRか生成AIかは書類の「型」で決まるで整理しています。

既製サービスと自社向け学習は、何が違うのか

既製のサービスとは、クラウド事業者や専業ベンダーが提供する、画像を送れば結果が返ってくる仕組みを指します。一般的な物体（人、車、食品など）の認識や、文字読み取りはすでに高い水準で動きます。一方、自社向けの学習とは、自社で撮影した画像にラベルを付け、そのデータでモデルを調整する方式です。

ここで見落とされがちなのが、既製サービス側のモデル更新です。提供側がモデルを改良すると、以前は通っていた画像の判定が変わることがあります。良くなる方向であっても、しきい値の設定をやり直す必要が出ます。この点はAI機能の保守費は「モデルが変わる日」を先に見積もるで触れた考え方がそのまま当てはまります。

件数で分ける — 損益が入れ替わる点を先に計算する

既製サービスは1件あたりの従量課金、自社向け学習は初期費用と固定費が中心です。したがって、判定件数が少ないうちは既製が安く、増えるとどこかで逆転します。発注前にやるべきは、この逆転点を自分で計算しておくことです。

計算に必要な数字は多くありません。

• 月あたりの判定件数（繁忙期の最大値も）
• 1件あたりの単価（既製サービスの料金表から）
• 自社向け学習の初期費用（データ整備・ラベル付け・開発）
• 自社向けの月額運用費（サーバー、監視、再学習の工数）

たとえば次のような場面です。月1,000件の検品に既製サービスを使い、単価が1件あたり数円であれば月額は数千円にとどまります。この規模で数百万円の専用開発を起こしても、回収には年単位がかかります。逆に、1日1万枚を撮影する工程であれば従量課金が無視できない額になり、固定費側に寄せる判断が現実的になります。

ただし、件数だけで決めてはいけない例外があります。

• 画像を外に出せない：図面、試作品、人物が写り込む現場写真など。個人情報保護法の対象になる情報が含まれる場合は、送信先と保存期間の確認が必須です
• ネットワークが使えない：工場内の閉じたネットワーク、通信が不安定な現場
• 応答速度の制約：ラインを止めずに判定するには、ミリ秒単位の応答が要る場合がある

この3つに当てはまるなら、件数が少なくても自社側に置く構成を検討することになります。置き場所の判断軸はクラウドAIか、社内設置かで詳しく扱っています。

精度で分ける — 「正解率95%」では発注できない

検品 AI の提案でよく出てくるのが「正解率95%」という表現ですが、これは検収条件になりません。不良品が全体の1%しかない工程なら、すべてを良品と答えるだけで正解率99%になってしまうからです。

見るべきは次の2つです。

• 見逃し（再現率の裏返し）：不良品を良品と判定してしまう割合。出荷してしまうため、後工程やお客様に影響が出る
• 過検出（適合率の裏返し）：良品を不良品と判定してしまう割合。人の再確認作業が増えるが、外には出ない

この2つは、しきい値を動かすとシーソーのように入れ替わります。見逃しをゼロに近づければ過検出が増え、過検出を減らせば見逃しが増える。どちらを優先するかは技術の問題ではなく、業務の問題です。

そこで現実的な設計が、AI に白黒つけさせず、三段階に分ける方法です。

1. 明らかな良品 → 自動で通す
2. 明らかな不良 → 自動で弾く
3. 判断が割れる中間帯 → 人が目視する

この構成なら、AI の役割は「人が見る枚数を減らすこと」になります。全数目視だったものが2割の目視で済めば、精度が100%でなくても投資は成立します。中間帯をどう定義し、人にどう戻すかという設計思想は、問い合わせAIの振り分けは「人に戻す条件」から決めると共通です。

検収条件も、この構造に合わせて書く必要があります。「見逃し率は必達条件として上限を定め、過検出率は目標値として扱う」といった二段構えが現実的です。

実装で詰まりやすい3箇所

1. 撮影条件が揃っていない

最も多い躓きがここです。照明の明るさ、カメラの角度、背景、製品の置き方。これらが日によって変われば、AI は「製品の違い」ではなく「撮影環境の違い」を学習してしまいます。試作では精度が出たのに本番で崩れる原因の多くはこれです。

対策はモデル側ではなく物理側にあります。照明を固定する、治具で位置を決める、背景色を統一する。安価な撮影ボックスと固定照明を入れるだけで、モデルの改良よりはるかに効く場合があります。

2. ラベル付けの基準が人によって違う

「このキズは不良か」を2人のベテランに聞いて答えが割れるなら、AI にも正解を教えられません。学習の前に、境界事例を並べて判定基準を文書化する作業が要ります。この作業自体が、属人化していた検査基準の棚卸しになることも少なくありません。

ラベル付けは外注もできますが、判定基準が自社固有であれば、基準づくりは社内でやるしかありません。判断は社内・作業は外という線引きがそのまま当てはまる領域です。

3. 不良品のサンプルが足りない

歩留まりが良い工程ほど、不良品の画像が集まりません。数枚しかない不良パターンを学習させても一般化しません。この場合の選択肢は、正常品だけで学習する異常検知方式に切り替えるか、意図的に不良品を作って撮影するか、過去の廃棄品を掘り起こすかです。どれも時間がかかるため、見積もりの前にサンプル数を数えておくべきです。

進め方 — 小さく試す範囲を決める

いきなり全品目を対象にせず、1品目・1工程に絞って検証するのが定石です。その際、着手前に次を決めておくと本番移行の判断がぶれません。

• 対象とする品目と、対象外にする条件
• 合否の基準（見逃し率の上限、目視に回す割合の上限）
• 評価に使う画像セットを、学習に使う画像とは別に確保しておくこと
• 本番に乗せると決める判断を、誰がいつ行うか

特に3点目は見落とされがちです。学習に使った画像で評価すれば点数は高く出ます。評価データセットの作り方と運用で述べたとおり、評価用の画像は最初に取り分けておき、改善のたびに同じセットで測り直す運用にしてください。

まとめ

画像の検品・仕分けに AI を使うとき、既製のサービスと自社向けの学習を分ける基準は次のとおりです。

• 件数：従量課金と固定費の逆転点を自分で計算する。判定件数が少ないうちは既製が有利
• 対象の固有性：一般物体や文字なら既製、自社製品固有のキズや独自基準なら学習が必要
• データの持ち出し可否：外に出せない画像があるなら、件数にかかわらず自社側の構成を検討する
• 精度：正解率一本で決めず、見逃しと過検出を分けて条件化する
• 運用設計：AI に全件判定させず、中間帯を人に戻す三段階構成にすると投資が成立しやすい

そして実装では、モデルの性能よりも撮影条件の固定、判定基準の文書化、不良サンプルの確保が成否を分けます。これらは発注前に自社で着手できる準備でもあります。ベンダーに相談する前に、現場で撮った画像を数百枚並べて「これを人がどう判定しているか」を言葉にしてみてください。その作業ができていれば、見積もりの精度も、その後の検証の速さも大きく変わります。