不良サンプルが足りない製造現場でAI外観検査を導入するためのデータ戦略。蓄積・生成・設計の3アプローチ。
製造業においてNG画像が足りないのは、品質管理が優秀な工場ほど深刻な問題です。不良率を下げるために努力してきた結果、不良品の絶対数が減り、AI学習に必要なデータが集まらない。皮肉な構造ですが、これが現実です。
不良率0.01%（PPMレベル）の工場では、100万個生産して不良は100個。そこから不良モード別に分類すると、1パターンあたり数枚〜十数枚しかありません。「NG画像を集めてください」と言われても、集められないのが実情です。
不良品が発生したら確実に画像を残す仕組みを作ります。
蓄積戦略は時間がかかりますが、最も品質の高い学習データが得られます。本番稼働後は自動的にデータが蓄積される仕組みを作っておくことが重要です。
| フェーズ | 蓄積戦略 | 生成戦略 | 設計戦略 |
|---|---|---|---|
| 導入初期（〜1ヶ月） | 自動撮影の仕組み構築 | VLMで仮想NG画像生成 | 良品学習＋ハイブリッド構成 |
| 運用期（1〜3ヶ月） | 実NG画像の蓄積開始 | 合成比率を段階的に削減 | AI対象の検査項目を拡大 |
| 安定期（3ヶ月〜） | 実データが主体に移行 | GANで稀な不良モードを補完 | 全検査項目をAI化 |
品質管理が機能している現場ほど、不良発生率が低くNGサンプルが集まりにくい。これがAI外観検査導入の最大障壁です。
OK画像をベースに、VLMで「このような傷を追加して」と指示することで人工NG画像を生成。実NG10枚から100〜500枚に拡張可能。
類似形状・素材の過去品種で蓄積した不良パターンを転移学習。新品種でも初期から実用精度。
OK品にあえて傷をつけたサンプルを作成。コストはかかるが確実な不良データ確保。
※ 上記はあくまで一般的な目安です。実際の費用は検査内容・ライン構成により異なります。
NGサンプルが少なくても、OKデータの分布から外れたものをNGとする教師なし学習手法。
| 業界 | OK画像 | NG画像 |
|---|---|---|
| 食品包装 | 500〜1000 | 100〜200 |
| 自動車部品 | 300〜500 | 50〜100 |
| 樹脂成形 | 200〜500 | 30〜100 |
| パチンコ部品 | 200〜400 | 20〜50 |
NGサンプル不足は、品質管理が機能している全製造業に共通する課題です。不良率が低いほどNGサンプルが集まらないというパラドックス。従来は「データが揃うまで導入待ち」という判断が多かったものが、VLM技術の登場により「少量データから即導入」が現実的選択肢となりました。これがAI検査の普及を加速させた最大の技術革新です。
業界横断で共通するNGサンプル管理のベストプラクティスは、運用開始後の継続収集体制構築です。月次で実NGサンプルを蓄積し、四半期でモデル更新に反映、年次で全NGデータベースを再構築。これにより、運用するほどモデル精度が向上する好循環を実現できます。
少量データ対応の業界共通フレームワークは、VLM合成・異常検知・転移学習の3層構造です。各層を組み合わせることで、業界・品種に関わらず、少量サンプルから実用AI検査を構築できる時代になりました。これがAI検査普及の最大の加速要因となっています。
不良サンプル不足はAI外観検査の最大の壁ですが、蓄積・生成・設計の3つの戦略を組み合わせることで解決できます。完璧なデータが揃うのを待つ必要はありません。VLMによるNG画像自動生成とハイブリッド検査構成で「今日から始められる」のが、現在のAI外観検査の到達点です。
高速リアルタイム判定、極めて高精度な寸法測定、極小欠陥の検出などは従来手法が優位です。
ゼロショット利用なら追加学習不要です。ファインチューニングする場合、数百〜数千枚のラベル付きデータで効果が出ます。
画像と自然言語の両方を理解する大規模AIモデルです。ゼロショットでの画像分類・質問応答・照合が可能です。