外観検査、ルールベースか？AIか？
2026/03/10
製造現場の外観検査を自動化する手法として、長年使われてきた「ルールベース」と、近年急速に普及する「AI（ディープラーニング）」。
どちらが優れているのか？
実は、その問いの立て方自体に落とし穴があります。
本記事では両者の仕組みと特性を技術的に整理し、現場での正しい使い分けを解説します。
ルールベースとは何か
ルールベースとは、人間があらかじめ定義した「明示的なルール（アルゴリズム）」に基づいて画像を解析・判定する手法です。どこを、どのような手順で、どの閾値で、どの条件を満たせばOK/NGにするか、を人間が事前に設計するのが特徴です。
技術的な仕組み
ルールベースの本質は「特徴量を人間が設計する」ことです。
例
二値化（しきい値で白黒化）
エッジ検出
ブロブ解析
テンプレートマッチング
面積・長さ・円形度測定
つまり、「この色以上はNG」「この面積以上は傷」「この輪郭形状は異常」といったルールをエンジニアが定義します。
また、アルゴリズムの中身は決定論的であり、同じ入力に対して必ず同じ出力になります。
ルールベースの強み
説明可能性が高い
判定理由が明確です。「面積が規格を超えたからNG」と言える。処理が高速
CPUベースでリアルタイム処理が可能。ラインスピードとの相性が良い。データ不要
学習データ収集が不要。初期立ち上げが早い。安定環境では極めて強い
照明・位置・形状が固定されている工程では非常に高精度。
ルールベースの弱み
環境変動に弱い
照明変化や個体差に対してチューニングが必要。設定に熟練が必要
職人的な画像処理スキルが要求される。品種変更に弱い
製品変更ごとにパラメータ再調整。曖昧な欠陥が苦手
色ムラ、微細クラック、質感異常などは定義が難しい。
AI（ディープラーニング）とは何か
ディープラーニングとは、多層のニューラルネットワークを用いてデータから特徴を自動学習する機械学習手法です。
従来のルールベース型画像処理は人間が特徴を設計する必要があるのに対し、ディープラーニングは特徴量そのものをデータから学習する点が本質的な違いです。
近年の外観検査AIは主にCNN（畳み込みニューラルネットワーク）を利用します。
技術的な仕組み
入力画像から、エッジ・テクスチャ・パターン・空間的関係などを自動で抽出し、統計的に分類、確率を出力します。ルールを人間が書かない点が決定的な違いです。
例:「この画像が不良である確率 97%」
ディープラーニング技術については下記記事にて詳しくご紹介しています。
代表的なAIモデル
ディープラーニングは、用途に応じてモデルが異なります。
■ 分類（Classification）
画像全体をOK / NGに分類
■ 物体検出（Object Detection）
欠陥の位置を特定（バウンディングボックス）
■ 領域検出（Segmentation）
欠陥領域をピクセル単位で抽出
■ 異常検知（Anomaly Detection）
正常データのみから逸脱を検出
各モデルについては下記記事でもご紹介しています。
AIの強み
複雑な欠陥に強い
人間の目視に近い判断が可能。個体差に強い
ある程度のばらつきを吸収できる。品種変更への柔軟性
再学習で対応可能。熟練検査員の暗黙知を再現可能
AIの弱み
データが必要
良品・不良品の収集がボトルネック。ブラックボックス性
なぜNGなのか説明しづらい。計算コスト
GPUや専用のコンピュータが必要。誤学習リスク
データの偏りが精度に直結。
両者の本質的な違い
最大の違いは「検査基準の所在」です。
ルールベース
→ 検査基準はエンジニアの中にある
AI
→ 検査基準はデータの中にある
つまり、ルールベースは「人間中心型」、AIは「データ中心型」という思想の違いです。
工程別の使い分け
ルールベースが向く工程
ルールベースは、下記のような構造化された問題に強いと言えます。
寸法測定
位置ズレ検出
有無確認
明確な形状異常
例えば、下記のようなコネクタの配線の色や本数が正しいか否かのような検査では、ルールの設定が明確なため、ルールベース型のアプローチが適しています。
AIが向く工程
一方で、AIは下記のような定義しにくい問題に強いと言えます
塗装ムラ
微細クラック
質感異常
繊維系、食品、鋳造
また、ルールベースにありがちな下記のような課題も解決可能です。
油が付着した表面で傷がうまく検出できない。
素材の色味がばらつくため検査が安定しない。
例えば上記のような表面に油が付着するケースを考えましょう。従来のルールベースでは不良としたい傷と、油の黒く見えるフチとを見分ける基準設定が難しいことがあります。
ルールベースで精度がなかなか出ない背景には、このような事情がよくあります。
人の目で検査をする場合は、これまでの経験から傷と油を容易に区別できますが、この感覚を設計して反映させるのは非常に難しいことです。
一方でディープラーニングであれば、一定数の画像データを学習させれば油を誤認識することなく、傷のみ検出することが可能になります。
コスト比較
初期コストと運用コストは下記の表のように整理されます。長期的には、多品種少量生産ではAIが有利と言えます。
初期コスト | 運用コスト | |
|---|---|---|
ルールベース | エンジニアリング工数が主 | 品種変更のたびに再調整 |
AI | データ収集＋学習環境 | 再学習でスケール可能 |
現場で実際に起きていること
現在多くの現場では、ハイブリッド構成での検査自動化が増えつつあります。
例:
位置決め・前処理はルールベース
欠陥判定はAI
従来からルールベースによる画像処理システムを提供してきた企業もディープラーニングツールを実装しており、完全な対立構造ではありません。
導入プロセスの違い
ルールベース導入の場合
ルールベースの場合は最初の要件定義が高精度の実現にあたって重要です。
要件定義
画像条件固定
パラメータ設計
現場調整
AI導入の場合
一方で、AIは場合は継続的に改善することで、精度を高めていくことが可能です。
データ収集
アノテーション
学習
精度評価
再学習
まとめ
ルールベースとAIは競合ではなく、構造化問題 vs 非構造化問題という役割分担です。
そして重要なのは、技術選択ではなく「その工程がどちらの性質の問題かを見極めること」
です。
当社の提供するTechSword Visionは誰でもプログラミング一切不要で外観検査AIを開発し、現場のエッジデバイスに簡単なマウス操作でインストールが可能なノーコードAIプラットフォームです。AIでの欠陥検出のみならず、「大きさ」や「個数」などの数値管理機能も搭載されており、ルールベースとAIのハイブリッド型の検査が実現できます。
導入にあたっては、画像の撮影や収集、カメラの選定、システム導入後の運用支援やメンテナンスに至るまで幅広いサポートをおこなっております。
AIエンジニアの稼働が必要ないため初期コストも小さく、新たにAIによる画像検査の導入を検討している場合に特におすすめです。
ご興味がある場合は、ぜひ詳細なサービス説明資料をご請求ください。
また、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。ぜひお気軽にお問い合わせください。
