不良サンプルが集まらない、そもそも不良の種類を数え切れない——そんな検査で注目されるのが「正常だけ」を学習して外れ値を捉える教師なし異常検知です。本記事では、このアプローチが効く検査・効きにくい検査の見極めと、閾値設計・誤検知運用の考え方を、撮像設計まで含めて整理します。
外観検査の自動化を検討するとき、多くの現場が最初にぶつかるのが「不良サンプルが十分に集まらない」という壁です。品質が作り込まれた工程ほど不良率は低く、狙った欠陥のサンプルを何百枚も用意することは現実的ではありません。さらに、傷・欠け・異物・汚れ・変色・成形不良といった欠陥は無限にバリエーションがあり、「これが不良です」と網羅的に定義すること自体が難しい、という声を現場でよく聞きます。
背景には、製造業・食品・物流を横断する人手不足と品質保証の高度化があります。熟練の目視検査員が担ってきた「なんとなく違う」という違和感の判断は、言語化も引き継ぎも難しく、退職や異動とともに失われていきます。一方で顧客要求やトレーサビリティの要請は厳しくなり、「見逃しゼロ」への圧力は増すばかりです。この非対称——正常は大量にあるのに、異常は少なく多様——が、従来の検査自動化を難しくしてきた構造的な要因だと考えられます。
こうした文脈で選択肢になりうるのが、教師なし異常検知（unsupervised anomaly detection）です。発想はシンプルで、「不良を一つずつ教える」のではなく「正常品の見え方だけを大量に覚えさせ、そこから外れたものを異常候補として拾う」というものです。不良サンプルが乏しくても着手しやすいこと、想定外の欠陥にも反応しうることが特徴とされます。ただし後述するように万能ではなく、適用領域の見極めが成否を分けると考えます。
混同されがちですが、教師あり分類と教師なし異常検知は解こうとしている問いが異なります。教師あり分類は「これは傷か、異物か、正常か」を、ラベル付きの学習データから覚えさせる方法です。欠陥の種類が有限で、それぞれ十分なサンプルが集まる場合には有力ですが、逆に言えばサンプルとラベルの整備がボトルネックになります。
一方の教師なし異常検知は「正常からどれだけ外れているか」だけを問います。学習に使うのは原則として正常品の画像のみで、モデルは「正常の分布」を学び、推論時に入力がその分布からどれだけ乖離しているか（異常スコア）を出力します。不良の種類を事前に定義しなくてよい代わりに、「何が起きているか（傷なのか汚れなのか）」までは自動では分からず、「正常ではない何かがある」という粒度の出力になりがちです。
実務では二者択一ではなく、教師なし異常検知で広く外れ値を拾い、そこから重要度の高い欠陥種だけを教師ありや人手で仕分ける、といった二段構えが現実的な落とし所になりうると考えます。まず自動化の全体像を掴みたい方は、外観検査自動化の入門もあわせて参照すると、位置づけが整理しやすいはずです。
教師なし異常検知の内部では、いくつかの考え方が使われます。代表的なのは、正常画像を一度圧縮してから復元する「再構成ベース」の発想です。正常だけで学習したモデルは正常品をきれいに復元できますが、学習していない異常部分は復元に失敗しやすく、その復元誤差が大きい領域を異常候補とみなします。
もう一つは「特徴分布ベース」の発想です。学習済みモデルで抽出した正常画像の特徴量が作る分布を記憶しておき、入力の特徴がその分布からどれだけ離れているかで異常スコアを算出します。近年はこうした特徴ベースの手法が精度・実装面で扱いやすいとされることが多いですが、どの方式が適するかは対象と現場条件によって変わるため、一概には言えません。
異常スコアだけでは「どこが・どう異常か」の説明が弱くなりがちです。ここに画像とテキストを結びつけて扱えるVLM（Vision Language Model）を組み合わせ、外れ値として拾った領域に「変色の疑い」「異物の可能性」といった説明や仕分けの手がかりを付与する構成も検討されています。Nsightは元キーエンス画像処理事業部の現場知見とVLM・産業用カメラ・現場ライティングを組み合わせる立場から、こうしたハイブリッド構成の設計を検討していますが、効果は対象・条件に強く依存するため、現物・現場での検証が前提だと考えます。
具体的な組み合わせ方や着手の手順に踏み込みたい場合は、AI検査PoCの進め方で、検証設計の勘所を確認しておくと無駄が減ると考えます。
教師なし異常検知の成否は、対象工程との相性でおおむね決まると言っても過言ではありません。導入してから「合わなかった」と気づくコストは大きいため、着手前に相性を見立てることが重要だと考えます。
正常品の見え方が安定していて、欠陥が「正常には存在しないもの」として現れる検査は相性が良いと考えられます。例えば、同一形状の成形品・プリント面・金属部品などで、傷・異物・欠け・大きな汚れといった、正常変動から明確に外れる異常です。不良の種類が多様で事前定義が難しい一方、良品の外観は比較的そろっている——そんな現場ほど、教師なしの発想が活きやすいと考えます。
逆に、正常品自体のばらつきが大きい（天然素材・手作業品・個体差の大きい対象）検査や、微小・低コントラストの欠陥が正常変動に埋もれる検査は難易度が上がります。この場合、正常の分布が広がりすぎて「異常なのか、正常のばらつきの端なのか」の線引きが曖昧になり、誤検知（過検出）が増えやすいと考えられます。また「良品だが規格外」のような、見た目は正常でも判定基準が別にある検査も、外れ値検出だけでは扱いきれない可能性があります。
重要なのは、この相性の多くが撮像条件で改善しうる点です。照明・レンズ・アングルを最適化して欠陥のコントラストを上げれば、「正常には無い信号」として顕在化させられる場合があります。ソフトのアルゴリズムだけでなく、撮像設計まで含めて考えることが、教師なし異常検知を実用に近づける鍵だと考えます。
教師なし異常検知の出力は、多くの場合「異常スコア」という連続値です。これを「良/否」に落とすには閾値（しきい値）が要り、この閾値の置き方が現場での使い勝手を大きく左右します。閾値を厳しくすれば見逃しは減る一方で誤検知（本来良品を異常とする）が増え、緩めれば逆になる——この二律背反をどう設計するかが実運用の要だと考えます。
多くの検査では、見逃し（不良流出）のコストと過検出（良品を止める）のコストは大きさが異なります。安全・信頼に直結する工程では見逃しを極端に嫌う一方、過検出が多すぎると人による再確認の負荷が膨らみ、結局ラインが回らなくなります。そのため閾値は「精度〇%」という一点ではなく、自社にとっての見逃しコストと過検出コストのバランスから決める、という発想が現実的だと考えます。
教師なし異常検知は「正常でない何か」を拾う手法である以上、拾った候補を最終的に人が判断する運用と相性が良いと考えます。全数を人が見るのではなく、モデルが外れ値として拾ったものだけを人が確認する——この「絞り込み」を担わせる位置づけにすると、見逃しリスクを抑えつつ検査員の負荷を下げやすいと考えられます。なお、ここで示した閾値やコストの考え方はあくまでモデル前提・一例であり、実際の水準は現物・現場での検証を経て決めるべきものです。
アルゴリズムの選定に注目が集まりがちですが、実運用で効いてくるのはむしろ撮像と運用の設計です。照明が不安定で正常画像の見え方が日によって変わると、モデルはその変動まで「正常の幅」として学習してしまい、肝心の欠陥が埋もれます。安定した照明・固定された画角・再現性のある撮像は、教師なし異常検知の前提条件だと考えます。
ラインのタクトに追従するには、推論をどこで動かすかも論点です。産業用カメラで撮像した画像を、Jetsonなどのエッジデバイス上で推論する構成は、通信遅延やネットワーク依存を抑えやすく、現場に閉じた運用がしやすいと考えられます。ソフトとハードを一体で設計するAI画像検査パッケージの観点は、こうしたエッジ前提の検査で有効になりうると考えます。
見落とされがちなのが、正常そのものの変化です。材料ロットの切り替え、季節による照明環境の変化、装置の経年——こうした要因で「正常の見え方」が徐々にずれると、モデルが正常品を異常と判定し始める（ドリフト）ことがあります。導入して終わりではなく、異常スコアの分布を継続的にモニタリングし、必要に応じて正常画像を追加学習する運用の枠組みが要ると考えます。FA領域での自動化全体の設計思想はFA・外観検査の自動化もあわせて参照すると、運用まで含めた見取り図が描きやすいはずです。
最後に、現場で見聞きする典型的な落とし穴を挙げます。いずれも事前に知っておけば回避・軽減しうるものだと考えます。
教師なし異常検知は、不良サンプルが乏しい・欠陥の定義が難しい検査に対する有力な選択肢の一つになりうる一方で、相性・撮像・閾値・運用のいずれかを外すと期待通りに機能しないデリケートな手法でもあると考えます。だからこそ、いきなり本番導入を目指すのではなく、小さく検証して見極める進め方が現実的だと考えます。
まずは手元の良品・不良品を実際に撮像し、「正常がどれだけそろっているか」「欠陥が正常変動から外れて見えるか」をデータで客観的に把握します。次に撮像条件を調整して欠陥のコントラストを上げられるか試し、そのうえで教師なし異常検知の異常スコアが実際に良否を分離できるかを、少数サンプルで確認します。この段階で相性の良し悪しや誤検知の傾向がかなり見えてくると考えられます。
ここで良い感触が得られたら、閾値設計・エッジ実装・ドリフト監視の運用設計へと段階的に広げていきます。逆にこの段階で分離が難しければ、教師ありや人手との組み合わせ、あるいは撮像そのものの再設計へ立ち返る——という判断が、遠回りに見えて結局は近道だと考えます。出発点はあくまで「客観的な正常の把握」と「現物・現場での検証」です。
原則として正常品の画像だけで学習できるため、不良サンプルが乏しい・集めにくい現場でも着手しやすいと考えられます。ただし閾値の妥当性確認や誤検知傾向の把握には、少数でも実際の不良品で検証することが望ましいと考えます。効果は対象や撮像条件に依存するため、現物・現場での検証が前提です。
欠陥の種類が有限で十分なサンプルとラベルが集まるなら教師ありが有力な選択肢になり、不良が多様で定義しづらいなら教師なしが向きうると考えられます。実務では、教師なしで広く外れ値を拾い、重要な欠陥種のみ教師あり・人手で仕分ける二段構えも現実的です。対象工程との相性で見極めることをおすすめします。
正常品のばらつきが大きい、照明が不安定、微小欠陥が正常変動に埋もれる、といった条件では過検出が増えやすいと考えられます。撮像設計で欠陥のコントラストを上げること、見逃しと過検出のコストの非対称性を踏まえて閾値を設計すること、拾った候補を人が最終確認する運用にすることで、負荷を抑えやすくなると考えます。
材料ロットの切り替えや季節による照明変化、装置の経年などで「正常の見え方」がずれると、良品を異常と判定し始めるデータドリフトが起こりうると考えられます。異常スコアの分布を継続的にモニタリングし、必要に応じて正常画像を追加学習する運用の枠組みを持つことが望ましいと考えます。
ラインのタクトに追従したい、ネットワーク依存や通信遅延を抑えたい場合は、産業用カメラで撮像した画像をJetsonなどのエッジデバイス上で推論する構成が選択肢になりうると考えられます。要求速度・既存設備・運用体制によって最適解は変わるため、現場条件を踏まえた検証をおすすめします。
教師なし異常検知が自社の検査に合うかは、手元の良品・不良品を実際に撮像してみると多くが見えてきます。元キーエンス画像処理事業部の現場知見と、VLM・産業用カメラ・現場ライティングの観点から、現物をもとに相性と勘所を一緒に見極めます。
教師なし異常検知について相談する