食品工場の異物検査でX線検査機と画像AI（カメラ＋VLM/ディープラーニング）をどう使い分けるか。検出できる異物の種類、設置位置、コスト構造、組み合わせ設計までを手法選定の観点から整理します。
食品工場における異物混入は、回収・ブランド毀損・取引停止に直結しうる重大リスクです。HACCPやFSSC22000といった衛生管理の枠組みでも、異物（physical hazard）の管理は重要管理点として扱われることが多く、検査工程の設計は品質保証の中核に位置づけられると考えられます。一方で、現場で実際に手法を選ぶ段になると、「何を使えばよいか」が驚くほど判断しにくいのが実情ではないでしょうか。
その理由のひとつは、異物の種類が極端に幅広いことにあります。金属片、骨、石、ガラス、樹脂片、毛髪、虫、木片、紙片、輪ゴム、自社設備由来の部品片——これらは密度も色も形も大きさも、まったく異なります。ひとつの検査機ですべてを等しく捕まえることは、原理的に難しいと考えるのが妥当です。
もうひとつの理由は、同じ「異物検査」という言葉のもとに、原理のまったく違う技術が並んでいることです。代表格がX線検査機と、カメラ＋画像AIによる外観検査です。両者は「異物を見つける」という目的こそ同じですが、見ているものが違います。X線は透過した放射線の減衰、つまり密度の差を見ています。画像AIはあくまで表面に現れた見た目（色・輝度・形状・テクスチャ）を見ています。見ている物理量が違えば、得意・不得意も当然に分かれます。
選定が難しいからこそ、現場では「異物といえばX線だろう」あるいは逆に「これからはAIカメラだろう」と、手法ありきで決めてしまう場面が少なくないように見受けられます。しかしこの入り方は、検出できない異物を取りこぼすリスクと、過剰投資のリスクの双方を高めると考えられます。
たとえば毛髪や透明な樹脂フィルムの破片を主たる懸念としているのにX線を選んでも、密度差が小さいため検出は容易でない可能性が高いです。逆に、包装後の製品内部に混入しうる金属片を心配しているのに、外観カメラだけで対応しようとすれば、袋の内側や食材の内部にある異物は表面に現れず見逃しうると考えられます。
本稿では、食品異物検査の「総論」ではなく、X線検査と画像AIをどう使い分けるかという手法選定の一点に絞って整理します。異物検査全般の進め方や費用感は 食品工場の検査自動化の進め方 もあわせてご参照ください。本稿はそのうち「手法の物理的な得手不得手をどう設計に落とすか」を深掘りする位置づけです。なお、X線は法令上の管理（労働安全衛生法・放射線障害防止の観点）が伴う設備であり、導入には設置・運用面の体制整備も必要になる点は前提として申し添えます。
使い分けを設計するうえで最初に押さえたいのは、両者が根本的に異なる物理量を観測している、という事実です。ここを曖昧にしたまま比較表だけで選ぶと、判断を誤りやすいと考えます。
X線検査機は、製品にX線を照射し、透過してきたX線の減衰量を検出器（ラインセンサ）で捉えます。密度の高い物質ほどX線を多く吸収するため、周囲の食品より密度の高い異物——金属、骨、石、ガラス、貝殻、高密度の樹脂など——はコントラストとして現れやすいと考えられます。重要なのは、表面に出ていなくても内部にあれば原理的に捉えうる点です。包装後・容器詰め後でも透過して見えるため、最終ラインの全量検査に向くと整理できます。
一方で、周囲の食品との密度差が小さい異物はコントラストが立ちにくく、検出が難しくなります。毛髪、低密度の樹脂フィルム、木片、紙、虫などはこの理由から不得意領域に入る可能性が高いと考えられます。また、製品自体の厚みムラや具材の重なり（不均一な食品）はノイズとなり、感度設定を難しくする要因になります。
カメラ＋画像AIは、可視光（場合により近赤外やUVなどの特定波長）で撮像した画像から、色・輝度・形状・テクスチャの異常を学習・判定します。表面に見えている異物であれば、密度に関係なく検出できる可能性があります。毛髪、虫、変色、付着した樹脂片、ラベルや包材の混入など、「見えるが密度差は小さい」異物に強いのが特徴です。色や質感で「あるべきでないもの」を捉えられる点がX線にない強みだと考えます。
反面、表面に現れない内部異物や、包装の内側に隠れた異物は、原理的に画像では捉えられません。また照明・反射・製品の自然なばらつき（焼き色、形状差）への頑健性が精度を左右します。ここは照明設計と学習データの作り込みが鍵になる領域で、食品の外観検査AIの設計思想とも重なります。
従来のルールベース画像処理では、「想定した異物」を事前に特徴量として定義する必要がありました。近年のディープラーニングやVLM（視覚言語モデル）を用いる手法では、「正常な製品の見た目」を学び、そこから外れるものを異常として捉えるアプローチが取りやすくなってきたと考えられます。未知の異物・想定外の形状にもある程度対応しうる方向性ですが、これも万能ではなく、現物データでの検証が前提になる点は変わりません。VLMをエッジで動かす考え方は VLMとディープラーニングの違い でも整理しています。
手法選定の出発点は、製品でもラインでもなく、「検出したい異物のリスト」だと考えます。過去のクレーム・ヒヤリハット・原料由来リスク・自社設備由来リスクを洗い出し、それぞれに対してX線・画像AIどちらが原理的に向くかを棚卸しすると、設計の輪郭が見えてきます。以下は一般的な目安であり、実際の検出可否は製品の密度・厚み・包材・異物サイズに強く依存するため、現物検証が前提です。
注意すべきは、どちらの手法でも難度が高い異物・条件が存在することです。たとえば食品と密度・色がともに近い異物（同系色の樹脂が食材表面に薄く付着、など）は、X線では密度差が出ず、画像でもコントラストが立ちにくいため、いずれも厳しい場合があります。こうしたケースでは、特定波長の照明（近赤外・UV蛍光など）やハイパースペクトルといった別手段の併用を検討する余地があり、これも現物での切り分けが必要だと考えます。
異物リストができたら、それを工程フロー図の上に置いてみることをおすすめします。「この異物は原料受入で混入しうる／この異物は包装直前に混入しうる」という混入ポイントが見えると、後述する設置位置の設計に直結します。異物の種類だけでなく「どこで入りうるか」まで含めて整理することが、過不足のない手法選定につながると考えます。
X線と画像AIは、検出原理だけでなく「ラインのどこに置けるか」も異なります。設置位置の設計は、手法選定と表裏一体だと考えます。
X線は包装を透過できるため、包装後・容器詰め後の最終ラインで全量検査する関門として機能しやすいと考えられます。出荷直前に置くことで、それまでの全工程で混入した高密度異物を一括で捉えうる構成になります。逆に言えば、X線はライン上で1〜数台に集約しやすく、設置台数を抑えやすい性質があります。ただし設備としては比較的大型で、遮蔽・法令対応・専任運用の体制が必要になる点はコストに織り込む必要があります。
画像AIは表面を見る手法のため、食材が開放され表面が露出している工程——原料受入の選別、トッピング後、整列・盛り付け後、包装直前——に置くのが基本になります。表面異物は早い工程で除けば後工程の手戻りが減るため、複数地点への分散配置が有効な場合があります。カメラは比較的小型で、既存ラインへの後付け（レトロフィット）もしやすく、Jetson等のエッジ機材でライン脇に組み込む構成が取りやすいと考えます。
これらを総合すると、ひとつの基本形が見えてきます。上流〜中流の開放工程で画像AIが表面異物を落とし、最終ラインでX線が内部・高密度異物を関門として捉える、という多層構成です。表面に見える異物を早期に除去しておくことで、最終X線が担う負荷を「透過でしか捉えられない異物」に集中させられる、という役割分担です。もちろんこれは一例であり、製品特性によっては片方だけで十分なケースも、別の手段を足すケースもあると考えます。
なお、現場には既存の金属検出機（メタルディテクタ）が設置されていることも多くあります。金属検出機は磁気・誘導で金属に特化する手法で、X線とは別物です。一般に金属検出機は鉄系に強くアルミやステンレスは条件次第、X線は金属以外の高密度異物も拾える、という整理ができます。既存設備を活かしつつどこを画像AIで補うか、という観点で全体を見直すと、投資の無駄が減ると考えます。
手法を選んだあとに必ず向き合うのが、感度を上げれば過検出（良品の排除）が増えるというトレードオフです。これはX線・画像AIに共通する普遍的な課題であり、ここの設計が運用の成否を分けると考えます。
X線では、小さな異物まで捉えようと感度を上げると、具材の重なりや厚みムラを異物と誤認しやすくなります。画像AIでも、微小な異常まで拾おうとすると、焼き色のばらつきや自然な形状差を過検出しがちです。「見逃しゼロ」を極端に追えば、良品が大量に弾かれて歩留まりとラインが破綻する——この力学はどちらの手法でも避けられないと考えます。許容できる過検出率と、絶対に見逃せない異物（クリティカルな金属・ガラス等）の優先順位を、品質保証部門と合意しておくことが前提です。
食品ラインは高速で、1個あたりの検査時間がきわめて短い場合があります。X線は透過画像の取得速度・搬送速度との兼ね合い、画像AIは撮像とエッジ推論のレイテンシが律速になりえます。ラインタクトに対して推論が間に合うか、ブレ・モーションブラーを抑える照明・シャッター設計ができるかは、現物・実速度での確認が不可欠だと考えます。カタログ上の処理速度ではなく、自社ラインのタクトで成立するかを見るべき論点です。
過検出を減らす定石のひとつは、後段に二次選別を置くことです。一次で疑わしいものを広めに拾い、二次でより精緻に判定して良品を救済する考え方は、画像AI側で特に有効な場合があります。これはAOI（自動光学検査）の過検出を後段の画像AIで選別する発想と共通で、目視検査をAIで置き換える際の設計でも繰り返し出てくる論点です。X線でも、排除前に画像で再確認する人＋AIのハイブリッド運用は現実的な選択肢だと考えます。
検証では、見逃し率（未検出）だけでなく、過検出率・歩留まり影響・ラインへの干渉までを同じテーブルで評価することをおすすめします。片方の指標だけを良くする設定はいくらでも作れてしまうため、複数指標のバランス点を現場で握ることが、定着する検査設計の条件だと考えます。指標の置き方は AI検査の精度をどう測るか の考え方も参考になります。
X線と画像AIは初期費用・運用費用の構造も異なります。手法選定は技術論だけでなく、コスト構造の理解の上に成り立つと考えます。具体的な金額は構成・台数・要件で大きく変わるため、ここでは構造の違いに絞って整理します。
X線検査機は装置が比較的大型で、遮蔽・設置・法令対応・定期点検・専任運用といったランニング面の体制コストが伴います。設置台数を絞れる一方、1台あたりの導入・維持の負担は相対的に大きい傾向があると考えられます。最終ラインの全量検査という重要な役割を担うため、その価値とコストを天秤にかける判断になります。
画像AI（カメラ＋エッジ）は装置が小型で、後付け・分散配置・段階導入がしやすい傾向があります。一方で、照明設計と学習データの整備、過検出のチューニング、モデルの保守といった「立ち上げと運用の作り込み」に工数がかかります。ハードは安くてもインテグレーションと運用に投資が要る、という構造だと整理できます。費用の内訳は AI検査のコスト内訳 もご参照ください。
ここまで見てきたとおり、両者は得意領域が重なりにくく、コスト構造も異なります。だからこそ多くの現場では、二択ではなく組み合わせの設計が現実解になりやすいと考えます。たとえば次のような割り当てです。
全工程を一度に作り込む必要はないと考えます。最もクレームリスク・歩留まり損失の大きい1工程から小さく検証し、効果を見ながら横展開する進め方が、投資リスクを抑えやすいと考えます。PoC（概念実証）の進め方や落とし穴は PoCが失敗する理由 に整理しています。最初の一歩の置き方は 製造業DXはどこから始めるか も参考になります。
最後に、X線と画像AIの使い分けで実際につまずきやすいポイントを、落とし穴として挙げておきます。いずれも事前に意識しておくことで回避しやすくなると考えます。
ここまでの整理をふまえ、X線と画像AIの使い分けを進める道筋をまとめます。重要なのは、机上の比較表で決め切らず、自社の製品・包材・異物サンプルでの現物検証を起点に置くことだと考えます。
本稿で繰り返し述べたとおり、密度も色も食品に近い難異物や、ラインタクトとの両立、過検出の許容ラインは、原理だけでは判断し切れません。こうしたグレーゾーンを現物で切り分けることが、手法選定の本質だと考えます。標準的な目安はあくまで出発点であり、最終的な可否は自社条件での検証でしか確かめられないと考えます。
Nsightには、元キーエンス画像処理事業部出身の監修者が在籍しており、照明・光学・検査設計の実務知見をふまえて、X線と画像AIのどちらを・どこに・どう組み合わせるかの検討をご一緒できます。私たちは「この手法が正解です」と先に断定するのではなく、御社の現物・現場で一緒に検証し、検出したい異物と許容できる過検出のバランスを確かめながら設計を固めていく進め方を大切にしています。画像AI側の構成は 外観検査AI や PoCコンサルティング として、エッジ実装の考え方は 食品検査ソリューション としてご提供しています。まずは検出したい異物サンプルを起点に、小さく試すところから始めていただければと考えます。
検出したい異物によって異なると考えます。X線は金属・骨・石・ガラスなど高密度で内部にも隠れうる異物に強く、画像AIは毛髪・虫・木片・変色など表面に見える低密度の異物に強い、という得意領域の違いがあります。両者は重なりにくいため、多くの現場では工程ごとに役割分担して組み合わせる設計が現実的だと考えます。最終的な要否は自社の異物リストと現物検証で判断することをおすすめします。
原理的には難しい場合が多いと考えられます。X線は周囲の食品との密度差を捉える手法のため、密度差の小さい毛髪・低密度の樹脂フィルム・木片・虫などはコントラストが立ちにくく、検出が容易でない可能性が高いです。これらが主たる懸念であれば、表面の見た目で捉える画像AIのほうが向く場合があります。ただし製品や付着状態によって変わるため、現物での検証が前提です。
包装の内側や食材の内部に隠れた異物は、表面に現れないため画像AIでは原理的に捉えられないと考えます。包装後・容器内部の高密度異物は、透過して見えるX線の領域です。一方で、包装そのものの外観異常やラベル誤りなど表面に現れる項目は画像AIで対応しうるため、何を見たいかで使い分けることになります。
感度を上げるほど過検出（良品の排除）が増え、歩留まりとラインが破綻しやすくなります。これはX線・画像AIに共通するトレードオフです。現実には、絶対に見逃せないクリティカルな異物の優先順位と、許容できる過検出率を品質保証部門と合意し、複数指標のバランス点を現場で握ることが重要だと考えます。後段に二次選別を置いて良品を救済する設計も有効な場合があります。
検出したい異物のリストを棚卸しし、それぞれが工程のどこで混入しうるかを整理することから始めるのが有効だと考えます。そのうえで、高密度・内部異物はX線、表面・低密度異物は画像AI、と仮の役割分担を置き、最もリスクの大きい1工程から自社の現物・実ライン速度で小さく検証する進め方をおすすめします。Nsightでは元キーエンス画像処理事業部出身の監修者とともに、この切り分けからご一緒できます。
「この異物は何で捕まえるべきか」は、原理だけでは決め切れません。御社の現物・実ラインでの検証を通じて、X線・画像AI・既存設備の役割分担を一緒に確かめます。元キーエンス画像処理事業部出身の監修者がご相談に対応します。
異物検査の手法選定を相談する