外観検査を自動化したいのに、肝心の不良品サンプルが数点しか集まらない——これは多くの現場に共通する構造的な悩みです。本稿では「少数データでどこまで検査できるのか」という問いを、良品が大量・不良品が希少という品質保証の非対称性から捉え直し、教師なし異常検知や正常データ学習という選択肢とその限界を、現物検証の観点から整理します。
外観検査を自動化しようとした担当者の多くが、着手して最初にぶつかるのが「学習させたい不良品のサンプルが、そもそも手元にほとんどない」という壁です。これは現場の努力不足ではなく、品質保証という営みが本来持っている構造から生まれています。歩留まりの高い工程ほど不良は稀にしか発生せず、発生してもその場で選別・廃棄され、写真や現物が体系的に残らないことが多いためです。良品は日々大量に流れる一方、不良品は年に数回、数点しか出ないという非対称が、多くの製造・食品・物流の現場に共通して存在すると考えられます。
この非対称は近年さらに深刻になりつつあります。慢性的な人手不足で検査工程の目視を担ってきたベテランが退職し、暗黙知として蓄積されていた「不良の見え方」が引き継がれないまま失われていく。品質に対する取引先や消費者の要求は年々厳しくなり、記録・トレーサビリティを求める声も強まる。つまり「不良の知見が減っていく」流れと「検査を高度化しなければならない」流れが同時に進行している、というのが上流の社会課題です。
従来の教師あり学習の発想では、良品画像と不良品画像をそれぞれ大量に用意し、その違いを学習させます。しかし前述の通り、不良品を数千枚集めるのは現実には難しく、集まるまで待っていては何年もかかりかねません。「データが揃うまで自動化に踏み出せない」という膠着状態そのものが、検査自動化の大きな障壁になっていると考えられます。だからこそ、少ないデータを前提とした検査の考え方が現場で求められています。
「不良サンプルが少ない」と一口に言っても、実際には状況がいくつかに分かれます。論点を整理せずにいきなり手法を選ぶと、後で行き詰まりやすいと考えられます。まず切り分けたいのは、①不良がほぼゼロで、どんな不良が出るか自体が読み切れないのか、②不良の種類は分かっていて見本が数点だけあるのか、③良品自体のばらつき（個体差・ロット差）が大きいのか、という三つの軸です。
種類が読めない未知の不良まで捉えたい場合、不良を学習する発想では原理的に取りこぼしが残ります。この場合は「正常（良品）とはどういうものか」を基準に置き、そこから外れたものを異常として拾う考え方が相性が良い可能性があります。一方、傷・欠け・汚れなど狙う不良が明確で見本も数点ある場合は、その特徴を手がかりにした設計が選択肢になりえます。同じ「少数データ」でも取るべき方向はかなり変わります。
少数データの検査で最も難しいのは、精度の数字そのものより「どこまでを不良とするか」の合意形成だと考えられます。良品にも個体差・自然なばらつきがあり、それを不良と区別する境界は現場ごとに異なります。データが少ないほど、この境界を機械が自動で学び取ることは難しくなるため、人が「これは良品」「これは不良」と判断基準を言語化・可視化する工程が、かえって重要になりうるという逆説があります。
データが乏しい状況で検討される代表的なアプローチを、押し引きも含めて整理します。いずれも万能ではなく、対象の欠陥や現場条件によって向き不向きがある点を前提にご覧ください。
良品だけを学習させ、そこから外れたものを「異常」として拾う考え方です。不良品サンプルをほとんど用意できなくても始めやすく、未知の不良にも反応しうる点が利点として挙げられます。一方で「良品からどれだけ外れたら不良とみなすか」の閾値設定が難しく、良品のばらつきが大きいと過検出（良品を弾く）が増えやすい傾向があると考えられます。良品の網羅性——季節・ロット・個体差を含めて十分に集められるか——が成否を左右します。
あらかじめ膨大な画像で学習済みのモデルの「見る力」を土台にし、少数の見本で目的の検査に適応させる考え方です。近年はVLM（視覚と言語を扱うモデル）のように、画像を意味的に捉え「傷がある」「印字がかすれている」といった記述に近い形で扱えるものも出てきました。少数の例示や言葉での指示で判断の方向づけができる可能性があり、都度大量の再学習を必要としにくい点が現場運用と相性が良い場合があります。ただし細かな寸法差や微細な欠陥の検出は撮像条件に強く依存し、言語モデル的な判断がそのまま高い再現性を保証するわけではない点は正直に押さえておく必要があります。
不良の見本が少ない場合に、既存画像へ加工を施して疑似的な不良やばらつきを作り、学習を補う手法も検討されます。あくまで補助であり、現実の不良の見え方を正確に再現できるとは限りません。合成データで良く見えても現物で通用しない、という乖離は起こりうるため、最終的な可否判断は必ず現物・現場での検証を前提にすべきだと考えます。少数データ前提の設計の全体像は、AI画像検査パッケージのようなソフトとハードを一体で捉える視点と合わせて検討すると見通しが立てやすい場合があります。
少数データの検査で見落とされがちなのが、そもそも「どう撮るか」という撮像設計の比重が相対的に高まる、という点です。学習データが少ないほど、モデルが判断のよりどころにできる情報が限られます。だからこそ、欠陥が誰の目にも明確に写る撮像条件を作り込めるかどうかが、後段のAI/VLMの精度以上に効いてくる可能性があります。逆に言えば、撮像がぶれていれば、どれほど高度なモデルでも安定した判定は難しいと考えられます。
傷・凹み・ムラといった欠陥は、照明の当て方（正反射・拡散・ローアングル・同軸など）でコントラストが劇的に変わります。人の目には見える欠陥がカメラに写らない、あるいはその逆も現場ではよく起こります。元キーエンス画像処理事業部の現場知見に根ざした照明・光学の作り込みは、少数データを補う最も現実的な手段の一つになりうると考えます。現場ライティングを最適化して欠陥を強調できれば、少ない学習データでも判定が安定しやすくなる可能性があります。
検証時にうまく撮れても、量産ラインで照明の劣化・外光の混入・搬送のブレが起きれば、良品・不良品の見え方が変わり、判定は崩れます。データが少ない検査ほど、この条件変化に弱くなる傾向があると考えられます。産業用カメラとJetsonのようなエッジ環境で、撮像を固定・安定させる設計を最初から織り込むことが、長く使える検査への近道になりうると考えます。撮像そのものの基礎は外観検査自動化の入門もあわせてご覧ください。
少数データの検査は「導入して終わり」ではなく、稼働しながら不良の実例と判断基準を蓄積して育てていく前提で設計するのが現実的だと考えられます。最初から完璧を狙うより、まず取りこぼしを抑える方向で運用し、判定に迷うものは人が確認するハイブリッドから始める、という段階設計が有効な場合があります。
検査には、良品を不良と誤る「過検出」と、不良を見逃す「見逃し」があり、閾値を動かすと一方を減らせば他方が増える関係にあります。どちらをどこまで許容するかは、製品の安全性・コスト・後工程への影響で変わる経営判断でもあります。データが少ない初期は特にこのバランスがぶれやすいため、数字を固定するより「稼働しながら調整する余地」を残しておくことが大切だと考えます。
運用を始めれば、これまで見たことのない不良が必ず出てきます。そのとき、その現物・画像・判断を記録し、検査基準に反映できる仕組みを持っているかどうかが、検査を陳腐化させないための鍵になりうると考えます。少数から始めるからこそ、実運用で集まる「本物の不良」こそが最大の資産になっていきます。段階的な検証の進め方はAI検査PoCの進め方で整理しています。
少数データ前提の検査を進めるうえで、経験的に注意したい点を挙げます。いずれも「やってみないと分からない」部分を含みますが、事前に知っておくことで手戻りを減らせる可能性があります。
最後に、不良サンプルが少ない状況からでも踏み出せる進め方を整理します。大きく分けて「客観的な把握 → 撮像の見極め → 段階的な検証 → 運用で育てる」という流れが現実的だと考えられます。
出発点は、いま手元にある良品と、数少ない不良品を客観的に棚卸しすることです。どんな不良が過去に出たか、良品にどんなばらつきがあるか、検査で本当に守りたいのは何か。この把握なしに手法を選ぶと迷走しやすいと考えます。少数でも現物があること自体が、検査可否を見極める貴重な材料になります。
次に、その現物を実際に撮像し、狙う欠陥が撮像条件で「見える化」できるか、少数データでどこまで判定が成立しそうかを見極めます。ここで無理筋な対象を早めに切り分けられれば、投資の失敗を避けられる可能性があります。検査方式そのものの見極めはPoC・検査方式設計の相談として、撮像から一緒に検討できる場合があります。
少数データの外観検査は、決して「不良を大量に集めるまで動けない」ものではありません。良品を基準に外れを捉える発想、撮像設計で欠陥を見える化する工夫、そして稼働しながら育てる運用——これらを組み合わせれば、乏しいデータからでも第一歩を踏み出せる可能性があります。まずは現物を持ち寄り、何がどこまで検査できそうかを一緒に見極めるところから始めるのが健全だと考えます。判断に迷う段階でも、相談することで論点を整理できる場合があります。
対象や欠陥の種類によりますが、良品を基準に外れを捉える教師なし異常検知や、事前学習済みモデルを少数で適応させる考え方など、少数データを前提とした選択肢があります。ただし成否は撮像条件や良品ばらつきに左右されるため、可否は現物・現場での検証を前提に見極めることをおすすめします。
良品（正常）データを中心に学習するため不良品サンプルが乏しくても始めやすい一方、良品データの網羅性が精度を大きく左右します。季節・ロット・個体差を含めて良品を集められないと、正常なばらつきを異常と誤りやすくなる可能性があります。不要というより「良品側の準備が重要になる」とお考えください。
合成・拡張データは学習を補う手段になりえますが、現実の不良の見え方を正確に再現できるとは限りません。合成データで良く見えても現物で通用しない乖離は起こりうるため、あくまで補助と位置づけ、最終的な検査可否は現物・現場での検証を前提に判断することが現実的だと考えられます。
VLMは画像を意味的に捉え、少数の例示や言葉での指示で判断を方向づけられる可能性があり、都度の大量再学習を必要としにくい利点があります。一方で微細な欠陥や寸法差の検出は撮像条件に強く依存し、高い再現性を常に保証するものではありません。撮像設計と合わせた現物検証が前提になります。
設備投資やDXに関する公的支援制度が対象になる場合がありますが、適用範囲・要件・金額は制度や年度によって異なります。具体的な適用可否や数値は、所管省庁の最新の公表資料でご確認ください。制度の存在自体は公知ですが、個別案件への適用は専門窓口への確認をおすすめします。
不良サンプルが数点しかなくても、出発点は手元の現物を客観的に把握し、実際に撮像して見極めることです。撮像設計からAI/VLM、エッジ運用まで一体で、少数データ前提の検査可否を現物ベースで検討します。
少数データの検査について相談する