傷・汚れ・異物の見逃し、類似品の取り違え、設備の予兆を捉えられない——。検査と品質判断の多くは、いまも熟練者の目視と経験に依存しています。AI外観検査・異常検知は、画像とセンサーデータから「正常とのわずかな違い」を捉え、検査の精度と安定性を高めます。人の目と勘に頼った検査を、AIで支える。Cubastionは、課題のタイプに応じて最適なアプローチを選び、PoC（実証）を起点に設計します。
製造ラインの品質は、長年の経験を持つ検査員の目視判断に支えられてきました。しかし、高速化・多品種化が進む現場では、目視には限界があります。微細な傷や異物は見逃され、類似した品番は取り違えられ、判断は人によってばらつきます。そして、その熟練の技能は、退職とともに失われていきます。これは、多くの製造現場が直面している現実です。
経済産業省・厚生労働省・文部科学省「2024年版ものづくり白書」によれば、製造業の若年就業者数は約20年間で約125万人減少しています。検査や品質判断を支えてきた熟練者の高齢化と人材の減少が進むなか、「人の目」に依存した検査体制を、いかに仕組みとして残すかが問われています。
（出典：経済産業省・厚生労働省・文部科学省「2024年版ものづくり白書」）
AIによる外観検査は、ツールを導入すれば動くものではありません。現場で成果を出すには、次の構造的な難しさを理解した設計が不可欠です。
不良品はめったに発生せず、欠陥画像を十分に集めるには数か月単位の時間がかかります。教師あり学習だけに頼ると、学習データが揃わず精度が出ません。
照明・部品の向き・カメラ条件のわずかな変化が、判定精度を大きく揺らします。撮像環境の設計（照明・治具）と、変動に強いモデル設計が前提となります。
不良を見逃さないこと（再現率）と、正常品を誤って弾かないこと（適合率）は両立が難しく、現場の許容水準に合わせた調整が必要です。
品番が数千〜数万に及ぶ現場では、見た目が似た部品の識別が難しく、汎用ツールでは対応しきれません。
「AI検査」は単一の技術ではありません。Cubastionは、検査対象と課題の性質に応じて、以下のアプローチを使い分けます。
不良の種類が明確で、欠陥画像をある程度集められる場合に有効です。CNNによる分類や物体検出（YOLO系）、領域抽出（セグメンテーション）で、傷・欠け・部品の有無などを判定します。品番判別や仕分けにも適用できます。
→ 適する場面：欠陥の種類が限定的・ラベル付きデータが用意できる
不良がめったに出ない、あるいは欠陥の種類が多様・未知の場合に有効です。正常品の画像だけを学習し、「正常からのずれ」を検出するため、見たことのない欠陥も捉えられます。オートエンコーダや自己教師あり学習、特徴ベースの手法を用います。
→ 適する場面：欠陥データが集まらない・未知の欠陥も検出したい
文字・ロゴ・印字・寸法など複数の観点を同時に検査する場合、物体検出・OCR・異常検知を組み合わせた多段構成を設計します。観点ごとに最適なモデルを割り当て、検査全体の精度を高めます。
→ 適する場面：印字検査・銘板検査など、複数項目を一度に判定したい
外観ではなく、設備の挙動（振動・荷重・温度・信号）から異常を捉える領域です。マルチセンサーの相関分析と継続学習により、故障の予兆や潜在要因を検出します。説明可能AIにより、なぜ異常と判断したかを現場が確認できます。
→ 適する場面：設備の予兆保全・センサーデータの異常検知
AI検査の精度は、現場の画像・データに大きく依存します。だからこそCubastionは、精度を約束する前に、お客様のデータで検証します。
サンプル画像・データを用い、検出したい欠陥・異常を定義し、AI化の実現性を見極めます。
お客様の実データで、見逃し率・過検出率を実測し、現場の許容水準に合うかを確認します。精度は、PoCで検証してから提示します。
照明・治具・カメラ条件、センサー配置を含めて設計し、変動に強い基盤を整えます。
リアルタイム判定のためのエッジ推論、コンベア・搬送・選別やMES・トレーサビリティとの連携まで設計します。
運用後も、新たな欠陥や条件変化に合わせてモデルを更新し、精度を維持します。
Cubastionは、データエンジニアリングとAIを軸に、2006年の創業以来400件以上のプロジェクトをすべて納期内に完遂してきました。横浜拠点の日本語対応専任チームが、フィージビリティ評価から本番運用・改善まで一貫して担当します。
すべての検査を一度にAI化する必要はありません。Cubastionでは、検出したい欠陥・異常を整理し、サンプルデータでAI化の実現性と精度の見込みを評価するフィージビリティ診断を実施しています。まずは、現状の検査課題からお聞かせください。
