工場の検査工程では、検査員が製品を1つずつ目で見て、傷や汚れがないかを確かめています。この仕事を、カメラで撮った画像とAIで自動化するのがAI外観検査で、いま多くの工場が注目する技術です。
検査の仕事は人が集まりにくく、厚生労働省のサイトでは、求人の数が仕事を探す人の4倍を超える（有効求人倍率4.41倍）とされています。画像検査そのものは数十年前から工場で使われてきました。
そこにディープラーニング（データから見分け方を学ぶAIの手法）が加わり、目視に頼ってきた検査にまで自動化の範囲が広がっています。
この記事では、AI外観検査が注目される背景、画像検査の歩み、目視検査や従来の画像処理との違い、メリットと導入時の注意点という順で整理します。
AI外観検査が注目される背景
AI外観検査への関心が高まっている背景には、一つの理由ではなく、いくつかの流れが同時に進んでいることがあります。主なものは次の4つです。
現場の課題と技術の進歩が重なっています。
検査の人手不足
最も大きな背景は人手不足です。総務省の人口推計によると、2024年10月1日時点の15〜64歳人口は7,372万8千人で、前年から22万4千人減りました。
働き手の中心となる世代が減り続けているため、製造現場でも人の確保は年々難しくなっています。
検査の仕事は特にその影響を受けやすい分野です。
厚生労働省の職業情報提供サイト（job tag）によると、製品の検査を担う「検査工（工業製品）」の有効求人倍率は4.41倍（令和7年度）です。求人に対して応募者が大きく足りない状態が続いています。
同サイトでは就業者数を約8万6,000人（令和2年国勢調査）としています。
目視検査は集中力が必要で、長時間続けるほど見落としのリスクが高まります。担い手が減るなかで検査の品質を保つには、人にしかできないと思われてきた判定を機械に任せることが現実的な選択肢になってきました。
品質要求の高まり
電子部品や自動車部品では、製品の小型化や高機能化にともなって、見つけなければならない欠陥がより小さく、より見えにくくなっています。
一つの不良がお客様の製品全体の不具合につながるため、抜き取り検査ではなく全数検査を求められる場面も増えています。
全数を、同じ基準で、記録を残しながら検査するのは、人の目だけでは限界があります。検査結果を画像として残せることも、品質を説明する証拠が求められる時代には大きな意味を持ちます。
AI技術の実用化
技術面では、ディープラーニングの実用化が決定的な転機になりました。2012年に画像認識の国際的なコンテストでディープラーニングを使った手法が高い成績を収めたことをきっかけに、画像を見分けるAIの研究と実用化が一気に進みました。
同時に、大量の計算を高速にこなすGPUや、AIの処理を搭載した産業用カメラが登場し、工場のライン速度に間に合う判定ができるようになりました。専門家でなくても学習を進められるソフトウェアも増え、中小規模の工場でも試せる技術になりつつあります。
市場の拡大
こうした流れは市場の数字にも表れています。富士経済が2025年3月に発表した調査では、画像処理システムのうちAI・ディープラーニング応用製品の世界市場を取り上げています。
この市場は、2023年と2024年にいずれも前年比30％を超えて伸びました。
同じ調査では、2028年に2024年比88.6％増の594億円に達すると予測されています。自動車関連の需要が大きく、ダイカストなど金属部品のAI検査のニーズが高いとされています。
部品点数が多く品質要求の厳しい自動車業界は、AI外観検査の導入が特に進んでいる分野の一つです。市場の伸びは、実証段階から量産ラインでの本格活用へと移りつつあることを示していると言えます。
AI外観検査の歴史と進化
製品の外観を確かめる方法は、人の目から従来型の画像処理、そしてAIへと段階的に進化してきました。前の段階の方法がなくなったわけではなく、いまも目的に応じて使い分けられています。
人の目、画像処理、AIの3つの段階で進化してきました。
※現在も、製品や工程に応じて3つの方法を組み合わせて使うのが一般的です。
人の目による検査の時代
もともと外観検査は、熟練した検査員が製品を目で見て行う仕事でした。人によって判断がぶれないよう、合格と不合格の境目を示す限度見本をつくり、照明の明るさや見る角度を決めるなど、標準化の工夫が重ねられてきました。
人の目は、初めて見る種類の不良にも気づける柔軟さを持っています。その一方で、疲れや慣れによる見落としを完全になくすことはできないという限界もありました。
従来型の画像処理の時代
次に広がったのが、カメラとコンピュータを使った従来型の画像処理です。部品の有無、寸法、位置のように、ルールで判定できる検査から自動化が進みました。
判定の条件を人が設定するため、なぜ不良と判定したのかを数値で説明できるのがこの方式の強みです。この長所から、現在でも寸法や有無の検査では主役として使われています。
この段階で、照明やレンズで欠陥を写し出す技術が大きく発達しました。ただし、ルールで表しにくい微妙な傷や、形や色が一つひとつ違う製品の検査は、依然として人の目に頼らざるをえませんでした。
AIによる検査の時代
ディープラーニングの登場で、それまで自動化が難しかった領域に手が届くようになりました。例えばキユーピーは、形や色が一つずつ異なる食品原料の検査にAIを使い、2018年8月にベビーフードの原料で本格導入したと2019年に発表しています。
自然物のように一つとして同じ形がない対象でも、良品の画像を大量に学ばせることで判定できるようになった点は、従来型の画像処理ではなかなか越えられなかった壁でした。
最近では、現場の機器で判定するエッジAIや、検査画像を工程改善に生かすデータ活用へと、検査を「はじく」から「改善につなげる」へ広げる動きが進んでいます。
従来技術との違い
AI外観検査と比べられる従来の方法は、大きく目視検査と、ルールベースの画像処理の2つです。まずはルールベースの画像処理との違いを図で整理します。
判定のしかたを誰が決めるかが、最も大きな違いです。
※どちらが優れているというより、検査項目に応じて使い分けたり組み合わせたりするものです。
目視検査との違い
目視検査との一番の違いは、判定の基準が人によって変わらないことです。同じ画像を入れれば同じ結果が返ってくるため、検査員ごとの差や、朝と夕方の差が生まれません。
一方、人の目は製品を手に取って角度を変えたり、触って確かめたりと、状況に応じた柔軟な見方ができます。AIは学習した範囲の中では安定していますが、まったく新しい種類の不良への対応は、人のほうが得意な場面もまだ多くあります。
ルールベースの画像処理との違い
ルールベースの画像処理では、「この明るさより暗く、この面積より大きい部分は不良」といった条件を、技術者が一つずつ設定します。形や色が決まった工業製品では、判定の理由が明確で、処理も速いという利点があります。
AI外観検査は、この条件を書く代わりに、画像の例から判断のしかたを学びます。言葉やルールで表しにくい「なんとなく違う」を扱えることが、従来の画像処理との決定的な違いです。
両者の使い分け
実際の現場では、寸法や有無のように確実に判定できる項目はルールベースで、傷や汚れのように判断が難しい項目はAIで、と分担させる構成がよく見られます。
AIを使うこと自体が目的になると、ルールで十分な検査に余計な手間やコストをかけることになりかねません。まず検査項目ごとに、どの方法が最も合っているかを見極めることが大切です。
また、AIの判定を最終結果とせず、AIで絞り込んだ候補を人が最終確認するという組み合わせ方もあります。目視検査を一気になくすのではなく、人とAIの役割分担を段階的に見直していく進め方が現実的です。
AI外観検査のメリット
AI外観検査を導入することで得られるメリットは、単に検査員を減らせることだけではありません。代表的なものを3つ挙げます。
検査品質の安定
AIは疲れや慣れの影響を受けないため、24時間同じ基準で判定を続けられます。検査員ごとの判定のばらつきがなくなり、「誰が検査したか」で品質が変わらない状態をつくれます。
これまで熟練者の感覚に頼っていた判定を、画像と学習データという形で残せるのも利点です。ベテランの退職によって検査のノウハウが失われるリスクを減らせます。
省人化と検査員の負担軽減
目視検査を自動化できれば、検査員をより判断の難しい業務や改善活動に振り向けられます。
武蔵精密工業は2022年の発表で、AI外観検査を導入したトランスミッションギヤの工程を紹介しています。この工程は、もともと1人が1日に約数万歯の歯面を見る工程でした。
こうした単調で目を酷使する作業から人を解放できることは、働きやすさの面でも大きな意味があります。AIが疑わしいものだけを選び出し、最終判断を人が行う形でも、負担は大きく減らせます。
品質データの活用
AI外観検査では、すべての製品の画像と判定結果がデータとして残ります。どの工程で、どの時間帯に、どんな不良が増えているかを分析すれば、不良の原因を早くつかめます。
例えば、特定の設備から流れてくる製品にだけ同じ位置の傷が増えていれば、その設備の治具や搬送部の摩耗を疑えます。検査データを設備保全や工程改善の担当者と共有することで、不良が大量に出る前に手を打てるようになります。
検査を最終工程の「関所」から、前の工程にフィードバックして不良をつくらないための情報源に変えられることは、AI外観検査のもう一つの大きな価値です。
AI外観検査の課題と導入時の注意点
メリットが大きい一方で、AI外観検査は導入すればすぐに効果が出るものではありません。導入前に知っておきたい課題を3つ挙げます。
技術より先に、検査の前提をそろえることが重要です。
学習データを集める手間
AIの精度は、学習に使う画像の量と質で決まります。特に不良品は発生数が少なく、種類ごとに十分な枚数を集めるまでに時間がかかることがあります。
また、画像ごとに正解を付けるアノテーションは、判定基準を理解した人でなければできません。検査員の知見を画像に落とし込む作業こそが、導入で最も手間のかかる部分だと言えます。
判定の根拠を説明しにくい
ディープラーニングは、なぜその画像を不良と判断したのかを人が理解できる形で示すのが苦手です。お客様から検査の妥当性を問われたときに、説明に困る場面が出てくることがあります。
判定基準の管理や記録の残し方は、AIの担当者だけでなく品質保証・品質管理の担当者と一緒に決めておきたいところです。
そのため、評価用の画像で見逃しと過検出の割合を確かめた記録を残したり、判定の根拠となった部分を画像上で示す機能を使ったりします。こうして、品質保証の観点から説明できる状態を整えておく必要があります。
運用・再学習の体制と費用
AI外観検査は、導入したら終わりではありません。材料の変更や照明の劣化、新しい種類の不良の発生などで判定が不安定になれば、画像を追加して再学習する必要があります。
カメラや照明、ソフトウェアの費用に加えて、こうした運用にかかる人の手間も含めて費用対効果を考えることが大切です。どこまでを自社で担い、どこからを装置メーカーやベンダーに任せるかも、導入前に決めておきたい点です。
まとめ
- AI外観検査は、人手不足、品質要求の高まり、AI技術の実用化を背景に注目されている
- AI・ディープラーニング応用の画像処理製品は2028年に594億円と予測されている
- 外観検査は人の目、ルールベースの画像処理、AIの順に進化してきた
- AIはルールで表しにくい欠陥に強く、検査品質の安定やデータ活用に役立つ
- 学習データの準備、判定根拠の説明、運用体制が導入時の主な課題になる
AI外観検査の仕組みや原理はAI外観検査とは？仕組みと基本原理で、業界ごとの使われ方と具体的な事例はAI外観検査の主な用途と導入事例で解説しています。
人手不足への対応という観点では人手不足・省人化、工場全体のデータ活用についてはスマートファクトリー・IoTの記事も参考になります。
AI・画像検査のほかの記事については、AI・画像検査の技術ページから関連記事もあわせてご覧ください。
出典
出典・参考資料（5件）を開く出典・参考資料を閉じる
- 生産年齢人口：総務省統計局「人口推計（2024年（令和6年）10月1日現在）」
- 検査工の就業者数・有効求人倍率：厚生労働省 職業情報提供サイト（job tag）「検査工（工業製品）」（就業者数は令和2年国勢調査、有効求人倍率は令和7年度）
- AI・ディープラーニング応用製品の市場予測：富士経済「スマートファクトリーの“眼”として導入加速 画像処理システムの世界市場を調査」（2025年3月7日）
- 食品原料のAI検査：キユーピー「AIを活用した原料検査装置をグループに展開」（2019年2月13日）
- 自動車部品のAI外観検査：武蔵精密工業「トヨタ自動車向けにAI外観検査装置を追加導入 検査の効率化で電動化需要に対応」（2022年12月14日）
NEWSLETTER
選んだ職種・業種に合わせた記事を、週1回メールで
週刊MONOSCOPEは、登録時に選んだ職種・業種に合わせた記事を週1回お届けする無料のメルマガです。
職種・業種を選んで登録へ ›
無料・週1回。登録後に届く確認メールのリンクを押すと登録が完了します。配信はメール内のリンクからいつでも停止できます。
WEEKLY NEWS
今週の製造業ニュース10選
メルマガは職種・業種に合わせた記事。LINEとnoteでは、全員共通の10本を毎週土曜の朝にお届けします。
LINEでニュース10選を受け取るnote今週のニュース10選をnoteで読む ›
コメント