株式会社renue
図面AI
図面の読み取りから積算まで、AIで自動化できます
PDF/TIF/紙図面をAIが構造化し、見積の自動生成やCADコード生成による3Dモデル作成まで対応します。renueの図面AIが何をどこまでできるかをご覧ください。
AI画像認識とは？
AI画像認識とは、ディープラーニング（深層学習）を用いてカメラ映像や写真から物体・パターン・異常を自動検出する技術です。製造業では品質検査（外観検査・寸法検査）と図面解析の2つの領域で実用化が進んでいます。
AI画像認識は、画像に写る欠陥の特徴を学習し、目視検査の自動化を支えます。検出率は欠陥の種類・撮影条件・評価データで変わるため、対象工程で検証します。量産後も品番や製造条件の変化で性能が低下する場合があり、再評価・再学習が必要です（出典：ジェイテクト技報、2025年）。
AI画像認識の仕組み
CNNベースの画像分類・物体検出
畳み込みニューラルネットワーク（CNN）が画像の特徴を自動抽出し、正常品とNG品を分類します。YOLO・SSD等の物体検出モデルも選択肢ですが、ラインへの適用では撮影・画像転送・推論・判定出力を含む処理時間を測定します。クラウド推論でも画像解像度やモデルの複雑さによって処理速度が変わります（出典：AWSの処理性能に関する仕様）。
異常検知（Anomaly Detection）
正常品のデータのみでモデルを学習させ、「正常から外れた」パターンを異常として検出する手法です。NG品のサンプルが少ない製造ラインで特に有効です。
AI画像認識の導入効果を測る指標
| 指標 | 確認する内容 | 参考資料 |
|---|---|---|
| 不良検出精度 | 不良をどれだけ拾えたか（再現率）と、不良判定のうち正しかった割合（適合率）を不良種別ごとに測る | AWS：評価指標 |
| 不良率削減 | 工程での不良発生率と、検査をすり抜けた流出率を分けて導入前後で比較する | ASQ：内部・外部の品質損失 |
| 顧客クレーム | 出荷数量に対するクレーム件数と、返品・保証対応にかかった費用を比較する | ASQ：外部の品質損失 |
| 3年ROI | 本記事では（3年間の金銭的効果−導入・運用総費用）÷導入・運用総費用×100で算定する | 費用項目：ASQ（算式は本文の定義） |
| 投資回収期間 | 毎月の純削減額が一定かつ正なら、初期費用÷月間純削減額。変動する場合は累積額で確認する | 費用項目：ASQ（算式は本文の定義） |
| 年間コスト削減 | 実際に減った残業・外注・廃棄・手直し等の費用から追加運用費を差し引く。削減工数の金額換算とは区別する | ASQ：品質コスト |
| 検査速度 | 対象画像・実機・通信環境で撮影から判定出力までを測り、ラインのサイクル時間に収まるか確認する | AWS：推論処理性能 |
※表は対象ラインの導入前後を比較するための評価項目です。製品構成・生産量・検査基準をそろえ、導入費に加えて保守・再学習・クラウド利用料も含めて計算します。削減した作業時間を人件費で換算した金額と、実際に減る支出を分け、業界共通の精度・ROI・回収期間として扱わないことが大切です。
製造業の品質検査でのAI活用パターン
パターン1：外観検査の自動化
金属表面のキズ・打痕、樹脂成形品のバリ・ヒケ、電子基板のはんだ不良などをカメラ+AIで自動検出。目視検査の自動化を目指し、対象の不良を検出できるか、必要な速度で処理できるかを工程ごとに検証します。
パターン2：寸法検査のAI化
カメラで撮影した製品画像から寸法を自動測定し、AIによる部品や測定箇所の識別と組み合わせます。ノギスやマイクロメーターとの比較では、測定速度だけでなく要求公差を満たすかを検証します。画像上の距離を実寸に変換する校正が必要で、カメラやレンズの配置変更時には再校正します（出典：Cognexの画像校正仕様）。
パターン3：工程内検査（インライン検査）
製造ラインに組み込んだカメラで製品を全数検査。抜き取り検査では見逃す不良も全数検査で検出でき、不良品の流出を防止します。
図面解析でのAI画像認識活用
renueは図面AI分野で複数のプロダクトを開発・運用しています。
2D図面→3Dモデル自動生成
renueが開発したDrawing Agentは、2D図面の画像をAI（LLMエージェント）が解析し、3D CADモデルを自動生成するシステムです。AIがビジョンで図面を解析し、CadQuery/trimeshのPythonコードを自律生成・実行。マルチビューレンダリングとAI視覚評価による品質保証ループで、スコア基準を満たすまでイテレーションを繰り返します。
図面検査チェック
建設業・製造業の図面に対して、AIが設計基準との整合性をチェック。寸法の矛盾、部品の干渉、規格外の記載を自動検出します。
歯車検査（専用検査AI）
機械部品の形状・寸法を計測データ（CSV/JSON）からAIが自動分析し、品質判定を行う検査システムも設計できます。
AI画像認識導入の実践ステップ
- 検査画像データの収集：対象のOK品・NG品を収集し、学習用と評価用に分けます。枚数は不良の種類と評価結果に応じて増やし、実運用で想定される照明・角度のばらつきも含めます（出典：AWSの画像準備要件）
- モデル学習：独自画像の分類・物体検出にはAmazon Rekognition Custom Labelsなどを使います。Cloud Vision APIは学習済みモデルによるOCR・ラベル検出等のAPIで、独自の検品モデルを学習する基盤とは区別します。Azure Custom Visionは2028年9月25日に終了予定で、Microsoftは2026年9月25日までの移行計画策定を案内しています（公式移行案内）。ノーコードでも、不良の定義・画像のラベル付け・評価・ライン連携の設計は必要です
- PoC実施（対象工程で検証）：設置・連携条件を確認したうえで、1ラインでAI検査と目視検査を並行評価します。不良種別ごとの見逃し・過検出と処理時間を測定
- 本番導入：不良の重大度に応じた見逃し・過検出の許容範囲と処理時間の基準を満たしたら、本番ラインに展開します。運用中も精度を監視し、品番や工程変更時に再評価（出典：ジェイテクトの量産運用に関する技報）
AI画像認識・図面AIのご相談はrenueへ
renueは図面AI（2D→3D自動生成・図面検査チェック）から製造業の品質検査AI導入まで、画像認識AIの設計・開発・運用を支援しています。
よくある質問（FAQ）
Q. AI画像認識の導入にどのくらいの費用がかかりますか？
A. カメラ・照明、モデル開発、ライン連携を含む導入費は対象工程ごとに見積もります。クラウド費用の公表例では、AWSのCustom Labels料金例は学習1時間1米ドル、推論1時間4米ドルとし、推論を1リソースで1日8時間動かす例は1日32米ドルです（2026年9月確認）。これはクラウド推論部分の例で、ハードウェア・開発・保守費を含む導入相場ではありません。利用リージョンの単価と実際の稼働時間を確認し、総費用と実際に減る支出から回収期間を計算します。
Q. 検査画像は何枚必要ですか？
A. 一律の必要枚数はなく、対象の不良や撮影条件を代表する画像で学習・評価し、結果に応じて追加します。AWSの画像準備要件も実運用に近い画像と学習・評価データの分離を求めています。正常品のみで学習する異常検知もありますが、評価には良品と不良品の両方を用意します（参考：MVTec ADの学習・評価データ構成）。
Q. 既存の検査ラインにAIを追加できますか？
A. 既存ラインへの追加は可能ですが、撮影位置・照明・電源や通信、PLC等への判定出力、不良品の排出機構との連携を確認します。Cognexの構成例にも照明・入出力・同期センサー等が示されています。設置工事や配線に伴う停止の要否は現場条件によるため、並行運用できる範囲を決めてPoCで精度と処理時間を検証します。
