PoCで高い精度が出たAI外観検査でも、本番ラインで同じように安定するとは限りません。PoCは導入判断の重要な材料ですが、実際のラインでは撮像条件、良品ばらつき、搬送状態、検査基準、運用体制が変わります。

本番移行でよく起きる問題は、次のようなものです。

• PoCでは検出できた不良を本番では見逃す

• 良品を不良と判定する過検知が増える

• ライン速度や姿勢ずれで判定が安定しない

• 品種追加やロット差で精度が落ちる

この記事では、PoCでは良かったAI検査が本番ラインで崩れる理由を、AIモデルだけでなく、撮像・データ・設備連携・運用の観点から整理します。

PoC成功 = 本番成功ではない

PoCは、AI外観検査の可能性を確認するための重要なステップです。検査対象の画像を集め、不良を検出できるか、良品と不良品を分類できるか、どの程度の精度が出るかを確認します。PoCで一定の結果が出れば、AI検査の導入可能性が見えてきます。

ただし、PoCはあくまで限定された条件での検証です。多くの場合、PoCでは撮影環境をある程度固定でき、検証用の画像を選別でき、不良の種類も限定されています。ライン速度や搬送の揺れ、判定後の排斥、人による再確認、運用中の再学習までは含めないこともあります。

一方、本番ラインでは条件が固定されません。製品の置き方が微妙に変わる、照明の当たり方が変わる、良品の色味や表面状態にばらつきが出る、ライン速度が変わる、品種追加が発生する、といった変化が日常的に起こります。

そのため、PoCで高い精度が出たとしても、本番では同じ結果にならないことがあります。重要なのは、PoCの結果を否定することではありません。PoCで確認すべきことと、本番導入前に確認すべきことを分けて考えることです。

原因1： 撮像条件がPoCと本番で変わる

AI外観検査において、画像の品質は非常に重要です。AIモデルは、入力された画像をもとに判断します。そのため、画像そのものがPoC時と本番時で変われば、AIの判定結果も変わります。

たとえば、照明の明るさ、光の反射、影、ピント、カメラ角度、ワーク位置、背景や治具の映り込み、ライン上の振動によるブレなどが変わることがあります。

PoCでは、机上や簡易治具で撮影した画像を使うことがあります。その場合、作業者が撮影条件を調整しながら、比較的きれいな画像を集められます。しかし、本番ラインでは製品は一定の速度で流れ、照明やカメラは設備内に固定されます。ワークの姿勢や位置も完全にはそろいません。

特に金：部X品や樹脂部品では、反射や表面状態の違いが大きな問題になります。傷に見える反射、欠陥を隠してしまう光沢、正常な加工痕のばらつきなどが、過検知や見逃しの原因になります。

AIモデルを改善する前に、まず撮像条件を確認することが重要です。不良が画像上で明確に見えているか、良品と不良品の違いが安定して写っているか、照明条件が日によって変わっていないか、カメラ位置やピントが再現できているかを確認しましょう。

原因2： 良品ばらつきが想定より広い

PoCでは、限られた良品画像を使ってAIモデルを作ることがあります。そのときに見落とされやすいのが、良品のばらつきです。

製造現場の良品は、すべて同じ見た目ではありません。良品であっても、色味、表面の光沢、加工痕、ロット差、材料差、油分や粉塵の付着、許容範囲内の微小な傷などが存在します。

PoC用の良品画像がきれいなサンプルに偏っていると、本番ラインで出てくる通常のばらつきをAIが異常と判断してしまうことがあります。これが過検知の原因になります。

特に良品学習型のAIでは、良品の範囲をどこまで学習できているかが重要です。良品データが少ない場合、AIは「良品として見たことがないもの」を異常として扱いやすくなります。

本番導入前には、複数ロット、複数品種、時間帯や日付の違い、作業者や設備条件の違い、許容される外観ばらつきを含めて確認する必要があります。

原因3： ライン速度・姿勢・位置ずれが影響する

PoCでは静止した状態で撮影した画像を使うことがあります。しかし、本番ラインでは製品が流れています。

ライン上では、ワークの位置ずれ、搬送中の傾き、振動によるブレ、露光時間の制限、検査タイミングのずれ、複数面撮影時の死角などが起こります。これらはAIモデル以前の問題です。

どれだけ良いモデルを作っても、検査したい箇所が画像に写っていなければ判定できません。欠陥がブレて見えなくなっていれば、AIは正しく判断できません。

また、本番では処理時間も問題になります。PoCでは1枚ずつ画像を処理して精度を確認できますが、本番ではライン速度に合わせて判定しなければなりません。判定結果を出すまでの時間が長いと、後段の排斥装置や作業者確認に間に合わない場合があります。

原因4： 過検知/見逃しの許容基準が変わる

PoCでは、精度指標として正答率、適合率、再現率、F1スコアなどを確認します。これらはAIモデルの性能を比較するうえで重要です。しかし、本番ラインでは、単純な精度だけでは判断できません。

見逃しを極端に減らそうとすると、AIは少しでも怪しいものを不良として判定しやすくなります。その結果、過検知が増えます。過検知が増えると、良品を人が再確認する工数が増え、AIを入れたのに現場の負担が減らない状態になります。

一方、過検知を減らそうとして判定を緩めすぎると、見逃しが増える可能性があります。つまり、本番では「どちらをどの程度許容するか」を決める必要があります。

重大欠陥であれば見逃しを極力減らす。軽微な外観差であれば過検知を抑えて確認工数を減らす。後工程で再確認できるなら一次検査では広めに拾う。排斥まで自動化するなら誤排斥の影響も考慮する。このように、検査対象によって優先すべき基準は変わります。

原因5： 閾値調整・再学習・ログ確認の運用がない

AI外観検査は、導入して終わりではありません。本番ラインでは、時間が経つにつれて条件が変わります。

新しい品種が追加される、材料ロットが変わる、照明が劣化する、カメラや治具の位置がずれる、作業条件が変わる、新しい不良パターンが出る。こうした変化に対応するためには、運用設計が必要です。

特に重要なのが、判定結果のログです。AIがどの画像を不良と判断したのか。人がそれを確認して、最終的に良品だったのか不良品だったのか。どのような過検知や見逃しが発生しているのか。これらを記録しておかなければ、改善ができません。

本番運用では、判定画像の保存、AI判定と人の最終判断の紐づけ、過検知画像の確認、見逃し原因の追跡、閾値調整の基準、再学習に使う画像の選別、モデル更新後の再評価が必要になります。

PoCで良い結果が出ても、本番で改善サイクルを回せなければ、長期的には精度が維持できません。AI検査は、導入時のモデル性能だけでなく、運用中にどう育てるかが重要です。

本番導入前に確認すべきチェックリスト

撮像条件

• 本番ラインと同じカメラ位置で撮影しているか

• 本番ラインと同じ照明条件で撮影しているか

• ワークの位置ずれや傾きを想定しているか

• ブレやピントずれが起きないか

• 欠陥が画像上で安定して見えているか

データ

• 複数ロットの良品画像を含んでいるか

• 良品ばらつきを十分に含んでいるか

• 不良品画像が特定パターンに偏っていないか

• PoC用にきれいな画像だけを選んでいないか

• 本番運用後に追加データを集める仕組みがあるか

評価指標

• 正答率だけで判断していないか

• 適合率、再現率、過検知率、見逃し率を分けて見ているか

• 現場の確認工数を評価しているか

• 不良流出リスクと誤排斥リスクを分けて考えているか

• 本番で許容できる基準を決めているか

設備連携

• ライン速度に対して判定時間が間に合うか

• 判定結果をどこに出力するか

• 排斥装置やアラートとの連携タイミングは合っているか

• 通信断や端末再起動時の挙動を決めているか

• 異常時に人が介入できる設計になっているか

運用

• 誰が判定結果を確認するか

• 誰が閾値を調整するか

• 誰が再学習用画像を選ぶか

• モデル更新の頻度をどうするか

• 品種追加時の確認フローがあるか

• 過検知や見逃しを改善する手順があるか

PoCから本番運用につなげる考え方

AI外観検査のPoCでは、まず「AIで検出できそうか」を確認します。これは重要な第一歩です。ただし、本番運用を見据えるなら、PoCの段階で本番と同じ撮像条件で検証できているか、良品ばらつきをどこまで含めているか、見逃しと過検知のどちらを重く見るか、AI判定後に現場は何をするのかを確認しておく必要があります。

PoCはゴールではなく、本番運用に向けた設計材料です。PoCで良い結果が出たら、その結果をもとに、撮像、設備連携、運用、再学習まで含めて本番設計に進む必要があります。

逆に、PoCで思ったほど精度が出ない場合でも、すぐにAIが不向きと判断する必要はありません。撮像条件やデータの偏りを改善することで、結果が変わることもあります。重要なのは、AIモデルだけを見て判断しないことです。

まとめ

PoCでは良かったAI検査が本番ラインで崩れる理由は、AIモデルだけにあるとは限りません。本番ラインでは、PoCでは見えにくかった多くの要素が影響します。

• 撮像条件が変わる

• 良品ばらつきが広がる

• ライン速度や姿勢ずれが影響する

• 過検知と見逃しの許容基準が変わる

• 閾値調整や再学習の運用がない

• 設備連携や排斥タイミングが必要になる

AI外観検査を本番で安定させるには、PoCでの精度確認に加えて、現場条件と運用設計を含めた検討が必要です。

PoCから本番運用まで支える「TechSword Vision」

TechSwordでは、特に製造業の現場における品質検査の自動化など、具体的な課題解決に貢献するAIソリューション TechSword Vision を提供しています。

専門知識がなくても、ノーコードで画像認識AIを開発・運用できるプラットフォームです。PoCで得られた検証結果を本番ラインで安定運用につなげるため、現場で撮影した画像の収集、AIモデルの構築、判定結果の確認、運用中の改善まで幅広くサポートしています。

具体的な導入事例や導入後の流れについても、ご希望に応じて説明させていただきます。PoC後の本番導入や、過検知・見逃し・運用負荷にお悩みの場合は、ぜひお気軽に お問合せ ください。