不良品が少ない工場でもAI外観検査は導入できる｜良品学習の仕組みと始め方

「不良品が少ないのは、うちの強みだ」——そう胸を張る工場ほど、AI外観検査の導入でつまずきます。この記事では、不良品の写真がなくてもAI検査を始められる方法と、実際に検査コストを70%削減した町工場の事例を紹介します。

不良品データ不足という壁

AIに検査を任せるには、まず「これが不良品だよ」と大量の写真を見せて覚えさせる——そんなイメージを持っていませんか。
実際、従来の方式では不良パターンごとに数百〜数千枚の画像が必要でした。キズ、欠け、変色……それぞれの「ダメな例」を集めなければ、AIは何が不良かを判断できなかったのです。

ここで皮肉な問題が起きます。
品質管理が優秀な工場ほど、そもそも不良品が出ません。つまり「良い工場ほど、AIに教えるための写真がない」という矛盾に陥ります。
ものづくり企業の検査自動化に関する調査でも指摘されているように、不良品ゼロを目指す現場では、検査用のデータ確保そのものが課題になるわけです。

でも、これは「不良品の写真がないと動かない」という古い方式の話です。
実は今、良品の写真だけで検査できるAIが登場しています。次のセクションで、その仕組みを見ていきましょう。

良品だけで検査するAIの正体

では、良品の写真だけで動くAIとは一体どんな仕組みなのか。ここが、この記事で最も伝えたいポイントです。

「正常」を覚えて異常を弾く仕組み

毎日同じ通勤路を歩いていると、道端に見慣れない小石が一つあるだけで「あれ？」と気づきますよね。
昨日までなかったものが目に飛び込んでくる。これは、普段の景色を無意識に覚えているから起きることです。

良品学習型のAI検査も、まさにこれと同じ発想で動いています。
「不良品とは何か」を教えるのではなく、「正常な姿」を何枚も見せて覚え込ませる。すると、AIは学習した正常の範囲から外れたものを「何かおかしい」と検知できるようになります。

この方式の最大の利点は、不良品の写真が一枚もなくても始められること。
品質の良い工場ほど不良品が出ない——つまり、これまでAI検査を諦めていた工場こそ、実は相性がいいのです。

技術的には「異常検知（Anomaly Detection）」と呼ばれる分野の手法です。
ベンダーの資料やカタログに「異常検知型」「Anomaly Detection」と書いてあれば、この良品学習型の方式だと思ってください。
大事なのは、ベンダーに「御社のAIは良品だけで学習できますか？」と聞くこと。「異常検知型です」と答えが返ってくれば、不良品データなしで始められるサービスです。

従来の方式が「不良品のカタログ」を作って照合するやり方だとすれば、良品学習型は「正常品の基準」を作って逸脱を探すやり方です。
発想の転換ひとつで、データ不足の壁はなくなります。

良品画像は何枚あれば足りるか

「良品の写真だけでいいのはわかった。で、何枚いるの？」——当然の疑問ですよね。

結論から言うと、数十〜数百枚あれば検査を始められます。
製品の形状や検査の厳しさによって変わりますが、1日の生産ラインで撮影できる量で足りるケースが多いです。

従来方式では不良パターンごとに数百〜数千枚が必要でした。キズ用、欠け用、変色用……と種類ごとに集めなければならなかった。
良品学習型なら、良品の写真だけ。しかも「正常な状態」は基本的に1パターンなので、集める手間が段違いに少ないのです。

ただし、注意点がひとつ。
撮影条件はできるだけ揃えてください。照明の角度や製品の置き方がバラバラだと、AIは「照明の違い」を異常と判定してしまうことがあります。逆に言えば、撮影環境さえ固定すれば、スマホのカメラでも十分使える写真が撮れます。

データ拡張で精度を底上げする方法

「数十枚で始められる」とはいえ、枚数は多いほど精度が上がるのも事実です。
でも、毎日何百枚も撮影し続けるのは現実的ではありませんよね。

そこで使われるのが「データ拡張」というテクニックです。
難しそうな名前ですが、やっていることはシンプル。同じ写真を裏返したり、少し回転させたり、明るさを変えたりして、バリエーションを増やすのです。いわば写真の「水増し」です。

この手法は製造業のAI検査で広く使われており、JSTの研究発表でも技術的な有効性が議論されています。
実際のサービスでは、HACARUSやフツパーといったベンダーのソフトウェア上でデータ拡張機能が組み込まれていることが多く、ユーザーが自分でプログラムを書く必要はありません。撮った写真をアップロードすれば、ソフト側が自動的にバリエーションを増やしてくれます。

導入した工場で何が変わったか

仕組みはわかった。良品の写真だけでAIが「怪しいもの」を見つけてくれる。
でも、気になるのは「実際に使えるのか」ですよね。ここからは、導入した工場のリアルな結果と、うまくいかなかった工場の話を両方お伝えします。

検査工程の時間が半減した事例

ある町工場では、0.1mm以下の微細なキズを見つける検査に、ベテラン職人が毎日4時間張り付いていました。
目を凝らして、一つひとつ、手に取って確認する。集中力が必要な作業で、午後になると精度が落ちるのが悩みのタネだったそうです。

この工場が良品学習型のAI検査を導入したところ、検査コストが70%削減されました。
4時間かかっていた作業が大幅に短縮され、職人は本来の加工や改善活動に時間を使えるようになったのです。

もうひとつ、別の工場の話もあります。
船井総研の事例レポートによると、AI外観検査を導入した町工場で不良検出率99.8%以上を達成し、検査工程にかかる時間が半分になりました。人がやるより速くて、しかも見落としが減ったのです。

「99.8%って、残り0.2%は見逃すの？」と思うかもしれません。
でも思い出してください。人の目視検査も100%ではありません。疲労やうっかりで見逃すリスクは常にあります。AIは疲れません。昼も夜も同じ精度で検査し続けます。

AIが1000個の製品から怪しい数個に絞り込み、検査員はそこだけを確認する。この「AIのスクリーニング＋人の最終判断」が、現実的に最も精度の高い検査体制です。

導入に失敗した工場の共通点

成功した工場がある一方で、導入したのにうまくいかなかった工場もあります。
ここを正直に書かないとフェアじゃないので、失敗パターンの共通点を3つ紹介します。

1つ目は、「何が不良か」の基準を決めないまま始めたケース。
キズはどの大きさからNG？色ムラはどこまで許容する？　この線引きが曖昧なまま導入すると、AIの判定結果と現場の感覚がズレます。
「これは不良じゃないのにAIが弾いた」「これは不良なのに通した」が頻発して、結局誰もAIの判定を信用しなくなる。
基準づくりは地味な作業ですが、ここを飛ばすとすべてが崩れます。

2つ目は、カメラと照明をケチったケース。
撮影環境はAI検査の精度を決定的に左右します。
「とりあえず安いWebカメラで」と始めた工場で、照明が不均一だったために影を「キズ」と誤検知してしまい、過検出の嵐になった——という話は珍しくありません。
カメラと照明は、AI検査における「土台」です。ここに投資を惜しむと、どんなに優秀なAIでも力を発揮できません。

3つ目は、現場の人を巻き込まなかったケース。
経営者や情報システム部門だけで導入を進め、検査員に「明日からこれ使って」と渡す。
現場からすれば、自分の仕事がAIに取られるんじゃないかという不安もある。使い方もよくわからない。結果、誰も使わなくなって棚の上で埃をかぶる。
船井総研のレポートでも、導入プロジェクトを全員で進めることの重要性が強調されています。

この3つ、気づきましたか。どれもAIの技術的な問題ではありません。
「準備」と「進め方」の問題です。裏を返せば、この3つさえ押さえておけば、技術面でのハードルはそれほど高くないということです。では次のセクションで、この3つを押さえた「正しい始め方」と費用感を具体的に見ていきましょう。

費用と始め方の全体像

「で、結局いくらかかるの？」——ここから、費用感と具体的な進め方を見ていきます。

初期費用と月額コストの目安

「AI」と聞くと数千万円の投資を想像するかもしれませんが、町工場規模のAI外観検査は、そこまでの話ではありません。
初期費用の目安は50〜150万円程度。月額のランニングコストは数万円からです。

なぜこれだけ幅があるかというと、検査対象の難しさとカメラの台数で変わるからです。
単純な形状の部品を1台のカメラで検査するなら下限に近く、複雑な形状を複数角度から見る必要があれば上限に寄ります。

内訳をざっくり分けるとこうなります。

項目	費用の目安
産業用カメラ＋レンズ	10〜40万円
照明機器（LEDリング等）	5〜20万円
PC・処理装置	10〜30万円
AIソフトウェア（初期ライセンス）	20〜60万円
設置・調整費	5〜20万円
月額利用料（クラウド型の場合）	数万円〜

検査コストを70%削減した町工場の事例でも触れられていますが、導入費用以上に「検査員の人件費が浮く」インパクトのほうが大きいケースがほとんどです。
ベテラン職人が毎日4時間検査に取られていたなら、その人件費は年間でかなりの額になります。投資の回収は、思ったより早いのです。

そして、費用面でもうひとつ大きな話があります。
国の補助金（デジタル化・AI導入補助金2026）を使えば、導入費用の最大80%が補助される可能性があります。
つまり150万円の導入費用なら、自己負担は30万円で済むかもしれない。

補助金の詳しい仕組みや申請の流れについては、デジタル化・AI導入補助金2026の解説記事でわかりやすくまとめています。

検査対象と判定基準を決める

お金の見通しが立ったら、次にやることは「何を検査するか」と「どこからが不良か」を決めることです。

やることは具体的に2つだけ。

このステップは地味ですが、ここをしっかりやった工場とやらなかった工場で、導入後の満足度がまるで違います。

カメラ・照明の選び方と撮影のコツ

基準が決まったら、いよいよ撮影環境を整えます。

カメラ選びの目安は「検出したいキズの大きさ」で決まります。
0.1mmのキズを検出したいなら、500万画素以上の産業用カメラが目安です。0.5mm程度の比較的大きな欠陥であれば、200万画素クラスでも対応できます。
画素数が高いほど細かいキズを捉えられますが、データ量が増えて処理速度が落ちるトレードオフがあります。検出したいキズの大きさをベンダーに伝えれば、最適な画素数を提案してもらえます。

照明は、カメラ以上に精度を左右します。
照明の種類によって、見えるキズと見えないキズが変わるからです。

照明の種類	特徴	向いている検査
リング照明	カメラの周囲からまんべんなく光を当てる	表面全体のムラ・異物検出
バー照明	一方向から光を当てて影を強調する	凹凸・微細なキズの検出
同軸落射照明	カメラと同じ方向から光を当てる	鏡面・光沢面のキズ検出

たとえば、金属部品の微細なキズを見つけたいなら、バー照明で影を強調するのが効果的です。一方、樹脂成形品の色ムラを検出したいなら、リング照明で均一に照らすほうが向いています。
どの照明が合うかは製品の素材や形状で変わるので、ベンダーに実際の製品を見せて相談するのが確実です。

PoC（小規模検証）から本番への進め方

撮影環境が整ったら、いきなり本番に入れるのではなく、まずPoC（ピーオーシー）と呼ばれる小規模な検証から始めます。
「Proof of Concept」の略で、要は「本当にうちの現場で使えるか、小さく試してみる」ステップです。

PoCを始める前に、「成功の基準」と「期間・予算の上限」の2つを決めてください。
「検出率90%以上で合格」「誤検出が1日10件以下なら合格」のように数字で決めておかないと、「まあまあ使えるけど、どうする？」という曖昧な判断になりがちです。
期間と予算も「2週間・30万円以内」のように枠を設けておけば、ズルズル続ける事態を防げます。

船井総研の事例レポートでも、導入初期はチーム全員でデータ検証を重ね、少しずつ信頼を積み上げていったプロセスが紹介されています。
「いきなり全部任せる」のではなく、「まず1ラインでPoCをやって、結果を見て広げる」。この進め方が、町工場では一番現実的です。

少量データ対応ツール比較

「良品の写真だけで始められるのはわかった。で、どのサービスを使えばいいの？」
ここでは、町工場が現実的に検討できるサービスを具体的に比較し、選ぶときに外せないチェックポイントを整理します。

良品学習型の主要サービス比較

日経の報道でも取り上げられているように、少ないデータでの導入を強みにした外観検査サービスが増えています。
町工場が検討しやすい主要サービスを比較してみましょう。

サービス	本社所在地	必要な良品枚数の目安	特徴	導入サポート
HACARUS	京都市	数十枚〜	少量データに特化した独自の異常検知技術。製造業の導入実績が豊富	撮影環境の構築からAI学習の調整まで伴走型で支援
フツパー	大阪市	数十枚〜	中小製造業向けに特化。現場に詳しいエンジニアが直接対応	導入前のPoC支援あり。関西圏は現地訪問対応も
GAZIRU	東京都	数十枚〜	多品種少量品の検査自動化に対応。品種が多い工場向き	多品種への対応力が強み。品種切り替え時の再学習もサポート

いずれもクラウド型で、専用の高額サーバーを自社に置く必要はありません。
撮影した画像をアップロードして学習させる流れなので、ITに詳しい人がいなくても操作できます。

価格帯は各社とも個別見積もりが基本ですが、初期50〜150万円、月額数万円〜の範囲に収まるケースが多いです。
まずは2〜3社に声をかけて、自社の製品を見せながら見積もりを取るのがおすすめです。そのとき、「PoCだけ先にやれますか？」と聞いてみてください。いきなり本契約ではなく、検証フェーズだけ切り出せるサービスを選ぶと、リスクを抑えて始められます。

選定時に見るべき3つのポイント

サービスの機能比較より先に、この3つを確認してください。

検査対象と判定基準を自社で決めてからベンダーに相談する——これが、最も話が早い進め方です。