エリア計測、ブロブ、パターンサーチ——画像処理による自動化の基礎。
部品の有無、数量、品種が正しいかを確認する検査です。入出荷時のカウント、基板上の部品有無、接着剤塗布の確認など、製造・物流の幅広い工程で使われています。
画像を白黒2値化して、白または黒の画素数を数えます。これにより対象物の面積や有無を判定できます。設定した面積の閾値で合否を判定するシンプルな手法です。
2値化した画像から、白または黒のかたまりの数をカウントします。各かたまりの面積・位置・形状も取得でき、個数だけでなく形状による判定も可能です。
濃淡ブロブでは、背景に対して明るい・暗いかたまりを検出し、照度変動の影響を受けにくい安定した検出ができます。
あらかじめ登録した画像パターンと入力画像を比較し、相関値（一致度）を算出します。異品種の混入や部品の抜けを検出できます。
高速性と高精度を両立するために、圧縮画像での粗サーチ→段階的な精密サーチというアルゴリズムが使われます。
画像の輪郭情報を使ったサーチでは、表面状態の変化や対象物の欠け・重なりがあっても安定した検出が可能です。自動特徴抽出アルゴリズムにより、誰が設定しても安定したサーチが実現できます。
Nsightは元キーエンス画像処理部門のメンバーが在籍しており、個数カウント・品種判別の検査設計からAI連携まで一貫して対応します。パターンサーチで対応しきれない多品種の識別には、VLMが特に威力を発揮します。
ルールベース＋従来AIで検査を行い、VLMは「学習コストを下げる武器」として裏方で活用します。NG画像生成・アノテーション自動化・ブラウザベースの学習機能の3つをパッケージ化していく方針です。これらの機能により、お客様にとっての使いやすさを高めると同時に、各現場の検査データを蓄積できる構造を作ります。
賞味期限・ロット番号・産地情報等の日本語テキストを読み取り、マスターデータと照合する用途です。VLMは文字の位置と意味を組み合わせて解釈できるため、レイアウトが変わっても都度の再学習を抑えられる可能性があります。実際にどこまで設定変更なしで対応できるかは、対象ラベルでの検証が前提です。
サンプル画像をお送りいただければ、検査精度の無料検証を実施します。
無料サンプル検証を依頼する
無料サンプル検証を依頼する →製造業・物流業で「正確な個数」「部品の有無」を確認することは、出荷品質と顧客信頼の根幹。1個多い・少ないというだけで返品・クレーム対応が発生し、業務コストが膨張します。
10個程度なら正確でも、50個・100個になると人間の集中力では誤差が発生。連続作業による疲労蓄積でさらに誤差増大。
重量変動や個体差で誤差が発生。形状違いの混在では機能しない。
製品が重なっている、容器内で見えにくい場合は人手では正確に数えられない。
YOLO等の物体検出モデルで個別物体を識別し、ボックス数をカウント。一般的な計数に最適。
各物体の領域を画素レベルで識別し、領域数をカウント。重なりや変形のある対象に対応。
画像全体の物体密度マップを推定し積分。高密度・大量物体（数百個）の計数に有効。
| 業界 | 計数対象 | 求められる精度の傾向 |
|---|---|---|
| 食品包装 | 菓子・錠剤・冷凍品 | 個包装単位の過不足が品質クレームに直結しやすく、比較的高い精度が求められる |
| 物流 | 箱詰め品・ピッキング数 | 出荷後の返品・欠品クレームに直結しやすく、高い精度が求められる |
| 建設 | 鉄筋・パイプ束 | 大量搬送が前提で、一定の許容範囲を持たせて運用されることが多い |
| 自動車部品 | ボルト・ナット・小部品 | 抜け漏れが品質保証上許容されにくく、高い精度が求められる |
| 製薬 | 錠剤・カプセル | 規制要件が厳しく、特に高い精度が求められる |
※ 実際に求められる精度は自社の品質基準・工程・規制要件により異なります。具体的な許容誤差は自社の検査基準に照らして確認することをおすすめします。
組立工程で「指定部品が取り付けられているか」を画像確認。組立漏れの自動検出に有効。
瓶・パック内に内容物が正しく充填されているかを画像判定。空容器・半充填の検出。
商品にマーキングシール・QRコード・ラベルが正しく貼付されているか確認。
計数業務の自動化は、人件費の圧縮・誤差クレームの削減・全数記録によるトレーサビリティ強化につながり得ます。投資回収の期間は、ライン規模・現在の人員体制・クレームコストによって大きく異なるため、一律の年数を示すことはできません。
※ 効果・回収期間は検査内容・ライン構成・現状の人件費により異なります。自社のデータでの試算をおすすめします。
計数誤差の許容範囲は業界要件で大きく異なります。製薬業界のように規制要件が厳しい領域では特に高い精度が求められ、建設業のように大量搬送が前提の領域では相対的に緩やかな運用がされる傾向があります。要求精度に応じた手法選定が、コスト最適化の鍵です。「とりあえず最高精度」を選ぶと、必要以上の投資になりやすい領域です。
※ 具体的な許容誤差・目標精度は業界の規制要件や自社の品質基準に照らして個別に確認することをおすすめします。
計数精度を向上させる技術的工夫を体系化します。第一に、撮像時に物体重なりを最小化する搬送設計。第二に、複数フレーム合成による検出ロバスト性向上。第三に、業界特化モデルの活用（食品計数、部品計数等）。第四に、エラー検知ロジック（前後フレーム比較・想定範囲逸脱検知）。これらを組み合わせることで到達精度を高めていけますが、最終的な数値は対象物・搬送条件ごとに実測で確認することをおすすめします。
計数AIは「個数を数える」だけでなく、関連業務への応用拡大が進んでいます。在庫管理（リアルタイム棚卸）、ピッキング検証（指示通りの数量）、出荷確認（パレット単位の積載数）、製造工程管理（ライン上の流量管理）など。元々の計数機能に、業務システム連携を加えることで、業務全体のデジタル化が実現します。
計数AIの導入時は、要求精度・対象物の特性・撮像環境・サイクルタイム・既存システム連携の5項目を必ずチェックします。各項目で要件を明確化することで、導入後のトラブルを未然に防げます。
AI画像カウントとバーコード照合・RFID読取の組合せで、冗長的な正確性確保が可能です。
対応可能な速度は対象物のサイズ・搬送方式・要求精度によって変わります。エッジ推論を使うとクラウド往復が無い分は有利になりますが、具体的な数値は自社のライン仕様での検証を前提に確認することをおすすめします。
対象の形状特徴に応じて、撮像条件と学習データを調整します。
照明条件やカメラ設定を対象物に合わせて詰めることで、高い精度を狙うことができます。ただし到達精度は対象物の形状・重なり方・搬送条件によって変わるため、自社の実物・実ラインでの検証を前提に見極めることをおすすめします。
パターンサーチでは登録した品種数に応じて処理時間が増加します。数十品種まではルールベースで対応可能ですが、数百品種以上になるとVLMの活用が有効です。