自動車部品の品質要求は年々厳しくなる一方で、検査を担う人手は確保しにくくなっています。全数保証の要求と現場の体力のギャップを、どう埋めていくか。検査自動化が解の一つになりうる文脈を、上流の社会課題から整理します。
自動車は一台あたり数万点の部品で構成され、そのほとんどが多層のサプライチェーンを通じて供給されています。完成車の安全・品質を担保するため、業界では量産前の品質承認プロセスや工程内の検査要求が体系化されており、その要求は完成車メーカーから一次サプライヤー、さらに二次・三次以降の中小サプライヤーへと連鎖的に波及していきます。最終製品の不具合が人命やリコールに直結しうる業界特性から、「重要保安部品は全数で品質を保証してほしい」という要求が出てくること自体は、ごく自然な流れだと考えられます。
一方で、その要求を実際に現場で満たす負担は、サプライチェーンの下流に行くほど相対的に重くなりがちです。発注ロットが小さく多品種で、単価も限られる中小サプライヤーが、顧客ごとに異なる検査基準・記録様式・トレーサビリティ要件に個別対応していく。ここに、後述する検査人員の確保難が重なることで、「要求は理解できるが、人手で全数を維持し続けるのが難しい」という構造的な課題が生まれていると考えます。
本記事では、特定の制度名や数値そのものを正確に解説することよりも、こうした品質要求の圧力と現場の体力のギャップという社会課題を整理し、その文脈の中でAI外観検査による検査自動化がどこまで解の一つになりうるか、そして何が「やってみないと分からない」のかを、現場目線で考えていきます。
自動車部品の量産では、量産開始前に部品や工程の妥当性を顧客へ提出・承認してもらうプロセスが広く使われています。図面公差を満たすことの証明、工程能力の提示、初物の保証、変更管理など、求められる書類と裏付けは多岐にわたります。重要なのは、この承認は一度取れば終わりではなく、設計変更・工程変更・サプライヤー変更のたびに再提出が求められうる、継続的なプロセスだという点です。具体的な提出区分や適用範囲は顧客や規格によって異なるため、取引先の最新の要求仕様や所管団体の公表資料でご確認ください。
品質管理の理論上は、工程が安定していれば統計的な抜取検査で品質を管理できるという考え方があり、これは合理的な手法です。しかし重要保安部品や、不具合の発生が稀でも影響が甚大な特性については、顧客から実質的に全数検査・全数記録を求められるケースがあります。抜取で十分な工程と、全数保証が要る工程が混在する。この線引きと、それぞれに必要な体制をどう設計するかが、現場のコストと品質の両方を左右すると考えられます。
加えて近年は、トレーサビリティ要求の高まりも負担を押し上げています。「いつ・どの設備で・誰が・どう検査したか」を記録し、必要なら個体単位でさかのぼれること。人手の目視検査では、この記録自体が追加の作業になり、検査そのものより記録の手間が重い、という声も現場では聞かれます。
品質要求が高度化する一方で、それを担う検査員の確保は年々難しくなっていると考えられます。熟練検査員の高齢化と退職、若手の採用難、検査技能の習得に要する時間。とくに微細な傷・打痕・異物・形状不良の判定は、言語化しにくい暗黙知に依存しがちで、一人前になるまでに相当の経験を要します。この技能が個人に紐づいたまま、継承の道筋が描けていない現場は少なくないと考えます。
人手の目視検査は柔軟で優秀ですが、同時に避けがたい性質も持ちます。長時間の検査による集中力の低下、検査員ごと・体調ごとの判定基準のばらつき、見逃しと過検出のトレードオフ。全数検査の負荷が高いほど、これらの影響は無視できなくなります。「全数で見ている」という事実と、「全数を均質な基準で見切れている」という保証は、必ずしも同じではない、という点は正直に認識しておくべきだと考えます。
結果として、品質要求は上がり続けるのに、それを支える人的リソースは細っていく。この需給ギャップこそが、自動車サプライチェーンの中小サプライヤーが直面する本質的な社会課題であり、検査の自動化が検討される最大の動機になっていると考えられます。
人手で全数を均質に見切ることが難しいなら、検査の一部を機械に任せ、人は判断と例外対応に集中する。この役割分担を実現する手段として、産業用カメラと画像処理による外観検査があります。従来のルールベースの画像処理は、寸法・有無・位置といった定義の明確な検査に強く、たとえば溶接ナット有無検査のような「あるべきものがあるか」を全数で確認する用途では、安定した自動化が見込めると考えられます。
一方で、自動車部品には「軽微な傷は許容するが、特定箇所のこの傷はNG」といった、文脈依存で言語化しにくい判定が数多く存在します。素形材の鋳造の巣・ひけ検査のように、欠陥の形・出方が一定でなく、良品の見え方にも幅があるケースです。こうした領域では、画像とともに「何を不良とみなすか」を言語的な基準として扱えるVLM（視覚言語モデル）ベースのアプローチが、従来手法では作り込みが難しかった判定に対応できる可能性があります。ただし、これは万能を意味しません。
重要なのは、自動化が向く検査と向かない検査を見極めることだと考えます。検査対象の見え方を安定させられるか、不良の定義を運用に耐える形で言語化・基準化できるか、要求される判定速度とコストに収まるか。これらは机上では判断しきれず、現物・現場での検証を通じてはじめて見えてくる部分が大きいと考えます。
画像検査の精度は、AIモデルの性能だけで決まるものではありません。むしろ、欠陥が安定して写る撮像条件を作れるかどうかが、結果を大きく左右すると考えています。照明の角度・波長・拡散の設計、カメラとレンズの選定、対象の位置決めと搬送。傷や打痕は、当てる光の方向が変わるだけで見えたり消えたりします。元キーエンス画像処理事業部で現場の立ち上げを重ねてきた知見が効くのは、まさにこの「見え方を物理的に作り込む」工程だと考えます。
工場ラインの検査では、判定の遅延や通信の不安定さが致命的になりえます。クラウドへ画像を送って判定を返す構成は柔軟ですが、ラインタクトに対する応答性、ネットワーク断時の挙動、画像データの社外送出に対する顧客の懸念など、製造現場特有の制約と相性が悪い場面があります。Jetson等のエッジデバイス上で推論を完結させる構成は、これらの懸念に応えつつ全数検査のリアルタイム性を確保する一つの設計解になりうると考えます。
設計段階で決めておきたいのは、機械の判定をどこまで信じ、どこから人に渡すかという境界です。明確な良品・不良はAIが全数で振り分け、グレーゾーンだけ人が確認する。この「AIで全数スクリーニング＋人で最終判断」という分担は、全数保証の要求と限られた人員を両立させる現実的な落としどころになりうると考えます。
検査自動化は、装置を据え付けた時点がゴールではありません。むしろそこからの運用設計が、現場に定着するかどうかを決めると考えます。新しい不良モードの出現、ロット間の素材ばらつき、季節や経年による照明・カメラの状態変化。これらに追従して判定基準やモデルを見直していく仕組みがないと、時間とともに見逃しや過検出が増え、「結局また人が全部見直している」という状態に逆戻りしかねません。
自動化のメリットは、判定結果と検査画像を構造化データとして残せる点にもあると考えます。前述したトレーサビリティ要求は、人手では負担でしたが、自動検査では判定ログ・画像・条件を自動で蓄積できるため、顧客への品質報告や不具合発生時の原因追跡を支える資産になりえます。検査を「コストのかかる関所」から「品質データを生み出す工程」へ位置づけ直せる可能性があります。
また、判定基準が個人の暗黙知ではなくシステム側に明文化・記録されることは、技能継承の観点でも意味があると考えます。熟練検査員の判断を完全に置き換えるという話ではなく、その判断の一部を機械が再現可能な形に翻訳していく営みとして捉えると、人材の制約に対する中長期の備えにもつながりうると考えます。
検査自動化は有力な選択肢ですが、期待だけで進めると躓きやすい論点もあります。導入前に正直に押さえておきたい点を挙げます。
いきなり全ラインの全数自動化を目指すのではなく、影響が大きく定義の明確な検査項目から段階的に着手する進め方が、現実的だと考えます。最初の一歩は、自社が顧客から求められている品質要求の棚卸しです。どの部品・どの特性に全数保証が求められ、どこが現状の検査体制の弱点になっているか。この客観的な把握なしに、自動化の対象を決めることはできません。
対象が見えてきたら、次は現物での撮像検証です。実際の良品・不良品を使い、どこまで欠陥を安定して写せるか、判定基準を言語化・基準化できるかを小さく試す。ここで「自動化が向くか／向かないか」「どこは人に残すべきか」の手応えが得られます。机上の試算より、この現物検証が判断の精度を上げると考えます。検査の自動化が向く対象の具体例は、AI外観検査のページもあわせてご覧ください。
そのうえで、小さく導入して運用しながら基準を磨き、横展開していく。品質要求の圧力と人員制約のギャップは一足飛びには埋まりませんが、客観的な要求の把握と現物検証という出発点を踏めば、全数保証を現実的に近づける道筋は描けると考えます。
多品種少量で単価も限られる中小ほど投資判断は慎重になりますが、影響が大きく定義の明確な検査から段階的に着手する進め方であれば、現実的な選択肢になりうると考えます。まずは顧客から求められる品質要求の棚卸しと、現物・現場での撮像検証から小さく始めることをおすすめします。効果は対象と条件に強く依存するため、自社の現物で確かめる前提が大切だと考えます。
明確な良品・不良はAIが全数でスクリーニングできる可能性がありますが、グレーゾーンの最終判断や例外対応、設備保守には人が残るのが現実的だと考えます。「無人化」ではなく、限られた人員を高付加価値な判断に振り向け、全数保証の負担を軽くする施策として捉えると無理がないと考えます。どこを人に残すかは現物検証を通じて見極める領域です。
自動検査が顧客の承認要求や検査要求仕様を満たす形になっているかは、案件ごとに確認が必要です。求められる検査項目・記録様式・トレーサビリティ要件は顧客や規格によって異なるため、提出区分や適用範囲は取引先の最新の要求仕様や所管団体の公表資料で必ずご確認ください。自動検査の判定ログや画像は、品質報告を支える資産になりうると考えます。
寸法・有無・位置のように定義が明確な検査は、従来のルールベース画像処理が安定しやすいと考えられます。一方、欠陥の形や良品の見え方に幅があり、文脈依存で言語化しにくい判定では、基準を言語的に扱えるVLMベースのアプローチが対応できる可能性があります。どちらが向くかは対象次第で、現物での検証を通じて見極めるのが確実だと考えます。
認識率や工数削減率は検査対象・照明条件・現物のばらつきに大きく左右され、汎用的に当てはまる数値は存在しないと考えるべきです。一般的な数値をそのまま自社に当てはめるのは避け、実際の良品・不良品を使った現物検証で自社の条件における見込みを確かめることをおすすめします。検証を経てはじめて、現実的な効果が見えてくると考えます。
顧客から求められる全数保証の要求と、現状の検査体制のギャップは、客観的に把握してはじめて打ち手が見えてきます。元キーエンス画像処理事業部の現場知見をもとに、実際の現物を使った撮像検証から、無理のない一歩を一緒に考えます。
自動車部品の検査自動化について相談する