アノテーションの最大の敵は作業量ではなく、人によって答えが違うことだと考えます。判定が割れる不良をどう扱うかは、AIの教師データの問題であると同時に、人の検査基準そのものを揃える問題でもあります。
教師データ作りで最初に立ちはだかるのは、実は付ける枚数の多さではなく「同じ不良に人によって違う答えが付くこと」だと考えます。アノテーションとは、画像の中のどこがどんな不良かをAIに教えるためにラベルを付ける作業のことです。ここで同じキズ画像に対して、ある検査員はOK（良品）、別の検査員はNG（不良）を付けると、AIは相反する正解を同時に渡されることになります。
OKとNGが混在したラベルの矛盾は、枚数を増やしても解消しません。むしろ枚数が増えるほど、OKとNGの境界付近に矛盾ラベルが積み上がり、AIはどこで線を引くべきか学びにくくなると考えられます。作業量の観点はアノテーションコストの削減として別に整理していますが、本記事が扱うのはコストの下流にある、より根の深い問題です。
明らかな大キズや、明らかな無傷は、誰が見てもOK/NGが一致しやすいものです。判定が割れるのは、いつも合否の境界にある微妙な不良です。わずかな打痕、光の当たり方で見え隠れするムラ、規格ぎりぎりの寸法。こうした境界サンプルこそが検査の難所であり、AIにとっても人にとっても、まさにここで基準を揃えられるかが問われると考えます。
判定が割れる主因は、検査員の能力差というより、判断基準が言語化されず個人の経験に埋め込まれたまま運用されていることにあると考えます。ベテランは「これは客先が許容する範囲」という文脈を経験から補って判定しますが、その文脈は本人の中にあり、共有された文書にはなっていないことが多いものです。
多くの現場には限度見本（合否の境目を示す現物サンプル）があります。しかし現物は経年で変色・劣化し、照明条件で見え方も変わります。基準の現物が揺らぐ問題は限度見本の管理で詳しく触れていますが、限度見本が一つあっても、実際の不良は多様で、見本と一対一で比べられないケースが大半です。結果として最後は人の解釈に委ねられ、そこで割れます。
取り扱う品種が多い現場では、品種ごとに許容基準が微妙に異なり、検査員が全品種の基準を正確に記憶しきれないことがあります。品種数がボトルネックになる構造は多品種のアノテーションで整理しています。品種横断で「どの傷はどこまで許容か」を揃えないまま教師データを作ると、品種ごとにバラバラの基準がそのままAIに写し取られる可能性があります。
つまり判定のブレは、個人の問題ではなく仕組みの問題として捉えたほうが対処しやすいと考えます。人を責めても基準は揃わず、基準を可視化する場を作ることが出発点になりうると考えます。
最も効くのは、判定が割れた画像だけを集めて基準会議で一つずつ決着させる運用だと考えます。全画像を会議にかける必要はありません。複数人が付けたラベルを突き合わせ、OK/NGが分かれた画像だけを抽出すれば、議論すべき対象は境界サンプルに絞られます。ここに検査基準の合意すべき核心が凝縮されていると考えられます。
同じ画像を2人以上に独立して付けてもらい、ラベルが一致しなかったものを機械的に抽出します。全数を二重に付けるのが重くても、境界に近いサンプルや自信度の低いサンプルに絞って二重付けするだけで、争点の多くは浮かび上がると考えます。ここで大事なのは、割れたこと自体を失敗ではなく「基準を決めるべき箇所が見つかった」と前向きに捉えることです。
基準会議では、割れた画像を全員で見ながら「なぜOKと思ったか」「なぜNGと思ったか」を口に出してもらいます。多くの場合、割れる理由は着目点の違い（傷の長さを見ているか、深さを見ているか、位置を見ているか）にあります。着目点を言葉にすると、単なる多数決ではなく、判断ロジックとして合意できる余地が生まれると考えます。
基準会議での言語化はAI外観検査の教師データを整えるためだけの作業ではありません。人の検査員どうしの基準を揃える検査基準の標準化そのものであり、目視検査を続ける現場でも価値が残ると考えます。
会議で決着した基準は、口頭で終わらせず「言葉の定義＋代表画像の対」で残すべきだと考えます。言葉だけでは解釈が再びぶれ、画像だけでは何をもってOK/NGとしたか意図が伝わりません。両方をセットで残すことが、いわば限度見本のデジタル版になると考えます。
残す情報は、不良の種類ごとに「これはOK」「これはNG」の境界事例を数枚ずつ、判断理由の短文とともに束ねる形が扱いやすいと考えます。たとえば「打痕：合意した直径の上限以下かつ光沢変化なしはOK、それを超えるものはNG」のように、寸法と外観の両面で定義し、代表画像を添えます。具体的な数値は現場ごとに合意し、現物での検証を前提に決めます。
基準は一度決めて終わりではなく、新しい不良や客先要求の変化で更新されます。だからこそ紙やベテランの記憶ではなく、追記・改訂の履歴が残る形で持つことが望ましいと考えます。誰がいつどの基準をどう変えたかが追えると、AIの再学習時にも「どの時点の基準で付けたデータか」を切り分けられ、混乱を避けやすくなると考えられます。
迷う画像は無理にOK/NGへ押し込まず、いったん「グレー」として保留できる設計にしたほうが、基準の質は上がりやすいと考えます。二択を強制すると、判断に迷ったサンプルが半ば当てずっぽうでどちらかに振られ、その曖昧なラベルが教師データに混入します。グレーを許せば、迷いを迷いのまま記録し、後でまとめて決着させられます。
グレーは合否の中間カテゴリではなく、「判定を保留し後で決める」という運用上の一時ラベルとして扱うのが実務的だと考えます。最終的にはOKかNGのいずれかに決着させ、決着した内容は前述の基準集に反映します。グレーが溜まり続けて放置されると意味がないため、グレーを定期的に棚卸しして決着させる担当と頻度を決めておくとよいと考えます。
基準会議で合意に至らない場合に備え、「最後は誰が決めるか」を事前に決めておくことが重要だと考えます。ここが曖昧だと、割れた画像が延々と宙に浮き、教師データが完成しません。品質保証責任者や、客先とのやり取りを持つ立場の人が最終決定者を担うことが多いと考えられますが、誰であれ「決める人を先に決めておく」こと自体が運用を止めない鍵になりうると考えます。
向き不向きの目安として、グレーを厚めに許す運用が向くのは、不良の種類が多く境界が曖昧な現場です。逆に、合否基準が数値で明確に規定でき解釈の余地が小さい現場では、グレーを最小限にして二択で回すほうが速いと考えます。自社がどちらに近いかを見極めることが、設計の出発点になると考えます。
少数の画像から始められるVLM方式であっても、教師データの基準が一貫していることは同じく必要だと考えます。VLM（Vision Language Model：画像と言葉を結び付けて扱えるモデル）は、大量の不良画像を集めにくい現場でも比較的少ないサンプルから運用を始めやすい方式ですが、少数だからこそ一枚一枚のラベルの矛盾が結果に効きやすいとも考えられます。
そもそも不良品は正常品より圧倒的に少なく、狙って集めにくいものです。この構造は不良サンプルが集まらない理由で整理しています。数少ない不良サンプルにブレたラベルを付けてしまうと、その影響が相対的に大きくなりうるため、少数データの現場でこそ基準会議の価値が高まると考えます。
VLMは言葉での指示を扱える特性があるため、基準会議で言語化した判断ロジックを、そのまま教示の一部として活かせる余地があると考えられます。ただしこれは「言葉で書けば必ず期待通り動く」という保証ではなく、実際にどこまで反映されるかは現物・現場での検証が前提です。過度な期待をせず、言語化した基準を検証しながら調整していく姿勢が現実的だと考えます。
運用面では、現物の見え方を安定させることも基準の一貫性に効きます。元キーエンス画像処理事業部の現場知見とライティング設計、産業用カメラ、Jetsonなどのエッジ（現場の装置側で処理を完結させる仕組み）を組み合わせ、撮影条件を揃えることで、そもそも判定が割れる要因の一部を物理的に減らせる可能性があると考えます。
基準を揃える取り組みは、進め方を誤るとかえって現場を疲弊させたり、形だけの基準集を生んで終わることがあります。実務で起きやすいつまずきを挙げます。
最初の一歩は、身近な数十枚の境界サンプルを2人以上で独立に判定し、どれだけ割れるかを客観的に把握することだと考えます。いきなりAI導入や大規模なデータ整備に進むのではなく、まず自社の基準がどの程度揃っているかを数字で見ることが、無駄のない出発点になると考えます。
割れた画像が見つかったら、一つの不良種類に絞って基準会議を試し、決着内容を「言葉＋代表画像」で残す型を作ります。小さく一周させて手応えを確かめてから、他の不良種類や品種へ横展開するほうが、途中で頓挫しにくいと考えます。ここで作った基準集は、目視を続けるにせよAIに渡すにせよ共通の資産になると考えます。
この取り組みで判定のブレをゼロにできると約束することはできません。基準を揃えても新種の不良や客先要求の変化で再び迷いは生じますし、AIに渡した後の精度がどれだけ改善するかは現物・現場での検証を経なければ分かりません。それでも、割れる箇所を可視化し決める仕組みを持つこと自体が、人にもAIにも効く土台になりうると考えます。
割れたまま渡すと、AIは相反する正解を学び判定が安定しにくくなると考えられます。まず判定が割れた画像だけを抽出し、基準会議で決着させてからデータ化することをおすすめします。割れること自体は失敗ではなく、基準を決めるべき箇所が見つかったと前向きに捉えるとよいと考えます。
全画像を対象にする必要はないと考えます。同じ画像を2人以上に独立して付けてもらい、ラベルが一致しなかった画像だけを議論の対象に絞るのが現実的です。多くの争点は合否の境界にある少数の画像に集中するため、そこに時間を集中させるほうが効率的だと考えます。
グレーは合否の中間ではなく「後で決める未決」の一時ラベルとして扱えば、曖昧さを記録して後で決着させる仕組みになりうると考えます。ただし棚卸しの担当と頻度を決めずに放置すると未決が溜まるため、定期的に決着させ基準集へ反映する運用をセットにすることが前提だと考えます。
必要だと考えます。少数データほど一枚一枚のラベルの矛盾が結果に効きやすいと考えられるためです。VLMは言葉での基準を活かせる余地がありますが、言葉で書けば必ず期待通り動く保証ではなく、実際の反映度合いは現物・現場での検証が前提になります。
具体的な数値をお約束することはできません。判定のブレをゼロにはできず、改善幅は不良の種類・撮影条件・現場の基準の揃い方で変わるため、現物・現場での検証を経なければ分からないと考えます。一方で、割れる箇所を可視化し決める仕組み自体は、目視を続ける現場でも資産になりうると考えます。
身近な数十枚の境界サンプルを複数人で判定し、どこで基準が割れるかを客観的に把握するところから始められます。元キーエンス画像処理事業部の現場知見をふまえ、現物・現場での検証を前提にご一緒に整理します。
教師データの基準ブレ対策について相談する