株式会社renue
renueについて
renueは、AIで業務を実装する会社です
AIコンサルティングから図面AI・広告運用エージェント・コールセンターAIまで、実際に動いているサービスをご覧いただけます。renueが何をしている会社か、まずはサービス一覧からご確認ください。
品質検査AIとは — 「人の目」を超える検査の自動化
品質検査AIとは、AI画像認識技術を活用して製品・部品の外観を自動で検査・評価する品質管理手法です。従来の目視検査は検査員の疲労・主観・スキル差により品質がばらつきましたが、AIは設定した基準で継続検査し、微細な欠陥の検出を支援します。
2026年現在、AI外観検査は製造業のAI活用の中で最も導入が進んでいる領域の一つです。本記事では、品質検査AIの仕組みから具体的な導入ステップ、費用、成功事例まで体系的に解説します。
品質検査AIの仕組み
ディープラーニングによる画像認識
品質検査AIの中核技術は、大量の良品・不良品の画像をディープラーニングで学習した画像認識モデルです。学習済みモデルがカメラで撮影した製品画像を解析し、傷・バリ・汚れ・変形・色ムラなどの欠陥をリアルタイムで検出します。
従来の画像処理との違い
従来の画像処理は「この位置にこの色の画素があればNG」という固定ルールで判定していました。AIは「この製品は良品群のパターンから外れている」という柔軟な判定が可能で、ルールでは定義しきれない複雑な欠陥も検出できます。
異常検知型 vs 分類型
- 異常検知型:良品の画像のみで学習し、良品パターンから外れたものを「異常」と判定。不良品サンプルが少ない場合に有効
- 分類型:良品と各種不良品(傷/バリ/汚れ等)の画像で学習し、不良の種類まで分類。原因分析に有効
品質検査AIの活用方法と公開事例
活用方法1:不良品流出リスクの低減
自動車部品の外観検査では、微細な傷やバリの検出精度は、撮像条件、欠陥の種類、学習データで異なります。AI判定は検査員が確認し、見逃しと誤検知を記録して改善します。
活用方法2:検査工数と稼働条件の評価
AIカメラで判定候補を提示し、検査員が難しいケースをレビューする方法を検討します。対象ラインと比較期間を定め、人のレビューや保守を含む工数と稼働条件を確認します。撮像・再検査・停止対応まで含めて実測し、他のラインにも共通する削減幅や稼働時間を保証しないでください。
公開事例3:リコーの生産プロセス品質予測
リコーの生産プロセスデータ活用AIの紹介ページでは、自社のトナー生産現場のデータを活用し、品質予測と生産条件の制御を組み合わせた取り組みを公表しています。労働生産性、総生産量、不良率は別の指標なので、対象工程と比較条件をそろえて評価します。同ページのサービスは2024年5月31日に販売終了したと明記されており、2026年に新規契約できるサービスの紹介とは区別してください。
品質検査AI導入の5ステップ
Step 1:検査対象と判定基準の明確化
どの製品・部品の、どの種類の欠陥を検出したいかを明確にします。「全ての不良を見つけたい」ではなく、「この製品のこの欠陥を優先的に検出する」と絞り込みます。
Step 2:画像データの収集
良品画像500〜1,000枚、不良品画像(種類ごと)100〜500枚が学習に必要な目安。照明条件・カメラ角度を統一して撮影します。
Step 3:PoC(2〜3ヶ月)
収集した画像でAIモデルを構築し、対象とは別に用意した評価画像で検出精度を検証します。不良品を陽性と定義した場合、見逃しは不良品を良品と判定する偽陰性(FN)、過検出は良品を不良品と判定する偽陽性(FP)です。混同行列の定義に沿って真の状態と判定結果を分け、見逃し率は実際の不良品、過検出率は実際の良品を分母にして評価します。良品・不良品のラベル定義、欠陥の種類、見逃しと再検査の影響を確認し、閾値と人の確認を現場の要件に合わせて調整してください。
Step 4:本番ラインへの組み込み
カメラ・照明・エッジコンピューターをラインに設置し、AIモデルをデプロイ。既存のPLCや生産管理システムとの連携を構築。
Step 5:継続的な精度改善
AIが「判定に迷ったケース」を人がレビューし、追加学習データとしてフィードバック。運用しながらモデルの精度を継続的に向上させます。
品質検査AIの費用相場
- SaaS型AI外観検査:月額5万〜30万円(カメラ別途)
- エッジAIシステム:1ライン50万〜300万円(カメラ+エッジPC+ソフトウェア)
- カスタムAI開発:初期200万〜1,000万円(自社製品特化の学習モデル構築)
- カメラ・照明設備:1セット10万〜100万円
品質検査AIの選定基準
基準1:異常検知型 or 分類型
不良品サンプルが少ない場合は異常検知型。不良の種類ごとの原因分析が必要なら分類型。
基準2:エッジ処理 or クラウド処理
ラインスピードが速い場合はエッジ処理(リアルタイム判定)が必須。バッチ検査なら更にクラウド処理も選択肢。
基準3:既存設備との連携
PLC・SCADA・MESとの連携方法を事前に確認。APIまたはOPC-UA対応が理想的。
