- カメラによる検査がうまくいくのは、「はっきり目に見える」不良に限られます。2人の検査員の判定がそろわないなら、システムも同じように迷います。
- 不良品を見逃すのと、良品を不良として捨てるのとでは、どちらの損失が大きいかを先に決めてください。どちらを重く見るかで、判定基準の決め方が変わります。
- 不良をうまく選別できるようになることより、原因を突き止めて不良の発生そのものを減らすことのほうが、投資の効果は大きくなります。
画像で本当に判定できる不良を選ぶ
カメラやモデルの話をする前に、簡単なテストをしてみてください。部品10個を2人のQC担当者に渡し、別々に判定してもらいます。2人の答えが食い違うなら、システムも同じように迷います。システムは人の判定から学ぶからです。
最初に選ぶのは、目に見えて、影響がはっきりしていて、サンプルが集まる程度には発生し、カメラの設置場所を管理できる不良です。判定の単位が1か所の傷なのか、部品1個なのか、1箱なのか、1ロットなのかを決め、大きさ、位置、重大度の基準も合わせて決めます。2人の検査員の判定が分かれるなら、モデルを学習させる前に判定基準のすり合わせ（キャリブレーション）を行います。
False Accept（不良の見逃し）とFalse Reject（良品を不良と判定すること）のコストを並べたCost Matrixを作ります。不良品が顧客の手に渡ると、再検査の何倍ものコストがかかることがあります。そのため判定のしきい値は、全体の正解率（Accuracy）で選ばず、不良の種類ごとのコストとリスクから決めるべきです。
カメラまわりの設計はモデルと同じくらい大切
プロジェクトが失敗する原因として多いのは、午後になって光の具合が変わることや、部品がいつもと違う位置に置かれることです。モデルの賢さが足りないせいで失敗する例は、それほど多くありません。撮れる画像が安定しなければ、どれほど優秀なシステムでも判定を誤ります。
開発チーム向け · 技術的な詳細
レンズ、撮影距離、フォーカス、照明、トリガー、ワークの動きは、実際のライン速度でテストします。治具（Fixture）を使い、不良と関係のない回転や影を減らします。光沢のある部品には、拡散照明や偏光照明が必要になることがあります。モデルに不要なばらつきを覚えさせようとするより、撮像の段階で画像を整えるほうが、たいてい費用対効果は高くなります。
開発チーム向け · 技術的な詳細
Good（良品）、Acceptable Variation（許容範囲内のばらつき）、Defect（不良）の画像を、複数のロット、シフト、サプライヤー、段取り替えから集めます。テストセットはロットや時期で分け、連続して撮った画像をランダムに振り分けることは避けます。画像どうしが似すぎていて、実際より良い結果が出てしまうからです。QCが承認したGolden Setを作って固定し、すべてのバージョンをこれと比べます。
| 画像と一緒に保存する情報 | 用途 |
|---|---|
| SKU/Serial/Lot | 製品までさかのぼる |
| 時刻/ライン/シフト | 現場で起きている傾向をつかむ |
| 設備/キャビティ | 根本原因の分析につなげる |
| 判定結果と検査員 | 監査とラベルの修正 |
QCの作業を二重にしないHuman-in-the-Loop
シャドーモード（Shadow）の段階では、AIはQCと並行して判定するだけで、製品の排除はしません。Assisted（支援）の段階では、確信度の高いケースはAIが通し、疑わしい画像は該当箇所を示したうえで人の確認に回します。画面には元の画像、検出した箇所、不良の種類、確信度（Confidence）を表示します。検査員は理由を添えてAIの判定を覆す（Override）ことができますが、そのフィードバックは、学習に使う前にレビューを通す必要があります。
フェイルセーフ（Fail-safe）も設計に入れます。カメラが止まった、画像がぼやけた、エッジデバイスの処理が遅れたといった場合、システムはアラートを出して従来の検査方法に切り替えなければなりません。その状態を「不良なし」と解釈してはいけません。判定結果と排出機構（Reject Mechanism）の連携はテストできる形でつなぎ、違う位置で排出しないようインターロックを設けます。
自動排出（Automated Reject）に進む前のゲート
- Golden Setと、さまざまな条件での実ラインのテストに合格している
- False Acceptがリスクの基準を下回っている
- 画像から部品と判定結果までたどれる
- システムに異常があったときの目視検査の手順がある
- オペレーターとQCがアラームとOverrideの意味を理解している
不良を選別する段階から、不良を減らす段階へ
開発チーム向け · 技術的な詳細
検査結果を、工程パラメーター、工具、キャビティ、サプライヤー、保全の記録と結びつけます。段取りやロット切り替えの後にどの不良が増えたかを、毎日パレート図にします。AIがラインの最後で不良品を選別するだけなら、検査コストは下がっても、スクラップは減りません。次の目標は、傾向の変化をプロセスエンジニアに知らせ、根本原因を直してもらうことです。
開発チーム向け · 技術的な詳細
Defect Escape（不良流出）、False Reject、スクラップ、手直し、検査時間、顧客クレーム、良品1個あたりのコスト（Cost per Good Unit）を追跡します。照明、カメラ、包装、SKU、原材料が変わったときは、ドリフトが起きていないかを確認します。モデルを変更するときは、毎回バージョン管理、テスト、承認、ロールバックの手順をそろえます。
つまり、よい画像検査システムはカメラを1台置いて終わるものではなく、品質システムの一部になります。不良のデータは細かく、早く手に入るようになりますが、基準、根本原因、顧客に対する責任は、引き続き会社が負います。
QUALITY TIP · Accuracyだけでは足りない
混同行列（Confusion Matrix）をコストに置き換えて読む
False Acceptは不良品が流出すること、False Rejectは良品が保留や廃棄に回されることです。両者の損失額は同じではありません。品質部門と経理部門に1件あたりのコストを見積もってもらい、しきい値は、正解率がいちばん高く見える値を選ぶのをやめて、実際のリスクをもとに決めます。
Golden 50
QCの間で最も意見が割れる難しい画像を50枚選びます。ラベルとその理由について合意し、学習には使わないセットとして保管して、すべてのバージョンのテストに使います。簡単な画像からわかるのは、モデルが動くということだけです。判定の境目にある画像を使うと、システムが事業側と同じ基準を理解しているかどうかがわかります。
ヒント：AIが確信を持てない画像を、確信度の高い画像より先にQCに見せます。人の時間を必要なところに使えるうえ、システムの改善に役立つ事例を多く集められます。
知識を、現場で使える問題解決の仕組みへ
問題の核心
実験室で精度の高い画像検査AIも、それだけでは品質システムになりません。照明、不良の基準、選別、トレーサビリティが連動して動く必要があります。
段階を踏んだ解決の進め方
- 不良の分類体系（Defect Taxonomy）と、False Accept/RejectのCost Matrixを作る
- 撮像ステーションを設計し、複数のロットとシフトからGolden Setを作る
- Shadow → Assisted → Automatedの順に試し、フェイルセーフと変更管理を組み込む
カメラの結果を品質システムにつなぎ、モデルを孤立させない
何を不良とするか、どこまでを許容するか、どんな誤りの影響が大きいかを決めるのは、お客様の品質部門です。DNA Makerは、その基準をデータとレビューのワークフローに落とし込み、画像、ラベル、判定の理由、製品の情報を体系的に保存できるようにします。QCが確認すべき画像を先に見られ、判定を簡単に修正でき、結果からロットや部品までさかのぼれる画面の設計もお手伝いします。正解率という1つの数字で品質のすべてを説明できる、という前提には立ちません。
私たちが開発できるのは、ラベル付けとレビューのためのWebアプリケーション、トレーサビリティのダッシュボード、モバイルのQCツール、そして画像検査モデル、エッジデバイス、排出機構、既存の業務システムをつなぐ連携部分です。バージョン管理、Golden Set、ドリフト監視も組み込みます。ユースケースの調査、画面のプロトタイプ（試作版）、アーキテクチャの設計、ソフトウェア開発から、AIエージェントに不良の傾向を要約させてチームの分析に回す仕組みまで、DNA Makerが一貫してお手伝いできます。画像と検査基準はすでにあるのに、どうシステムに組み上げればよいかわからない場合は、品質チームやエンジニアリングチームと一緒に、効果を測定でき生産にも安全なフローを作りますので、ご相談ください。
SOFTWARE ENGINEERING GLOSSARY
ソフトウェア開発用語集
この表は、経営層、業務の責任者、開発チームが同じ言葉を別々の意味に取らずに話し合うためのもので、暗記する必要はありません。意味と例に加えて、右端の質問も読んでください。こうした質問から、開発を始める前に隠れていた範囲、リスク、コストが見えてくることがよくあります。
| 用語 | 意味 | わかりやすい例 | 開発チームへの質問 |
|---|---|---|---|
| Computer Vision | 画像や動画を解析するAI | 部品の表面の傷を探す | 実際の照明、角度、ライン速度でテストしましたか？ |
| Label | モデルの学習とテストのために、画像につける正解 | 画像に「Good」か「Scratch」かを記録する | 検査員どうしの判定はどの程度一致していますか？誤ったラベルはどう修正しますか？ |
| Confidence Score | モデルが出した答えの確からしさを表す値 | スコアが低い画像はQCの確認に回す | どのスコアなら人の確認に回しますか？その理由は何ですか？ |
| Traceability | 結果から部品までさかのぼって追跡できること | シリアル番号とロットで画像を検索する | 結果から、どのデータまでさかのぼれる必要がありますか？ |
| Model Drift | 実際の環境が変わったことで、モデルの性能が落ちること | 照明やパッケージが変わり、判定結果がずれる | どんな変化があったら、再テストや再学習をしますか？ |