「昨日はOK、今日は同じ現物がNG」——測定値や判定が人によって揺れる悩みは、担当者の腕の問題に見えて、実は測定の仕組み全体の問題であることが少なくありません。本記事では、バラつきがどこから生まれるのかを測定器・方法・人・環境に分解し、ゲージR&Rという考え方を入口に「誰が測っても同じ」に近づける道筋を整理します。
「同じ製品を測っているのに、Aさんが測ると規格内、Bさんが測るとギリギリ規格外」。検査や品質管理の現場で、この種の食い違いに悩まされている方は少なくないと考えられます。合否が測る人によって変わってしまうと、出荷判断そのものが揺らぎ、後工程や顧客からの問い合わせにつながりかねません。多くの現場では、これを「担当者の腕の差」「慣れの問題」として個人に帰しがちです。しかし、実際にはそう単純ではないことが多いと考えます。
背景には、熟練者の退職・人手不足と、それに伴う測定・検査業務の担い手の入れ替わりがあります。長年その製品を見てきた人の「感覚」で成り立っていた測定や判定を、経験の浅い人へ引き継ごうとした瞬間に、これまで見えていなかったバラつきが一気に表面化する、という構図です。つまりバラつきは新しく生まれたのではなく、もともと個人の技能が吸収していたものが、可視化されただけ、という側面もあります。
ここで押さえておきたいのは、目の前で観測される値のバラつきには、①製品そのものの寸法や状態のばらつきと、②それを測る仕組み（測定システム）のばらつきの、二つが混ざっているという点です。もし②が大きいと、本来は良品なのに不合格にしたり、逆に不良を見逃したりする判断が起きえます。「人によって値が違う」という悩みは、多くの場合この②、測定システム側のバラつきが疑われるサインだと考えられます。まずはこの切り分けから始めることが、遠回りに見えて確実な一歩になりうると考えます。
「なんとなく人によって違う」を「どこがどう違うのか」に翻訳するために、バラつきの発生源を分けて考えます。製造現場の品質管理でよく使われる「4M（人・機械・方法・材料）」に近い形で、測定に即して測定器・測定方法・人・環境の4つに整理すると、対策の当たりをつけやすくなると考えられます。
ノギスやマイクロメータ、投影機、画像測定機など、測定器そのものの分解能や精度が、測りたい公差に対して十分かをまず疑います。たとえば公差が±0.05mmなのに、読み取り分解能が0.05mmの測定器を使っていれば、それだけで判定が揺れやすくなると考えられます。校正切れ、当たり面の摩耗、汚れなども無視できません。測定器の状態は、担当者を替える前に確認したい基本項目です。
意外に大きいのが方法の曖昧さです。「ワークのどの位置を測るか」「どの向きで、どのくらいの力で当てるか」「何回測って何を採用するか」が手順書に明記されておらず、人それぞれの解釈になっていると、同じ現物でも値が変わります。丸物のどこを直径とするか、面のうねりのどこを高さとするか——こうした『測定の定義』の曖昧さは、人のバラつきに化けて現れやすいと考えます。
人の要因には、読み取りの癖、視差、力加減、判断のしきい値の個人差などが含まれます。そして見落とされがちなのが環境です。温度による材料と測定器の膨張、照明の当たり方、ワークの汚れや保持の仕方——特に外観や色の判定では、照明条件のわずかな違いが判定を大きく左右しうる点は、後段で改めて触れます。カメラによる寸法測定のように測定を機械化する場合でも、この方法・環境の定義が曖昧なままでは、バラつきの発生源を残したまま自動化してしまうことになりかねません。
測定システムのバラつきを客観的に把握するための考え方として広く知られているのが、ゲージR&R（Gauge Repeatability & Reproducibility、測定システム解析／MSAの一部）です。これは、観測されたバラつきのうち、測定システムに起因する部分がどれだけあるかを見える化しようとするアプローチです。名前のとおり、測定システムのバラつきを大きく二つに分けて考えます。
同じ人が、同じ測定器で、同じ現物を、同じ方法で繰り返し測ったときの値の揺れです。これは主に測定器の性能や、測定方法の安定性を反映すると考えられます。一人の担当者に同じワークを時間をおいて複数回測ってもらい、値がどれだけ散らばるかを見ることで、ざっくりとした傾向はつかめます。ここが大きいなら、人を教育する前に測定器や当て方を疑う番だ、というサインになりえます。
測る人（あるいは条件）が変わったときに生じる、平均値のずれです。まさに「人によってバラつく」という悩みが直接現れる部分で、手順の解釈差や判断基準の個人差が主な要因と考えられます。複数の担当者に同じ複数のワークを測ってもらい、担当者間で系統的なずれがないかを見ることで、再現性の問題かどうかの見当がつきます。
ゲージR&Rでは、測定システムのバラつきが全体（または公差）に占める割合で良否を判断する運用が一般的です。ただし、その合格ラインの数値や算出方法は、採用する規格や社内基準、対象の公差設定によって変わります。ここで具体的な合格%を断定することは避けます。適用にあたっては、社内の品質基準や参照する規格・ガイドラインの最新版で必ずご確認ください。大切なのは、数字を出すこと自体より、繰り返し性と再現性のどちらが問題なのかを切り分けて、次の手を選べる状態にすることだと考えます。
切り分けで「再現性（人の差）」が主因だと分かったら、次は属人性をどう減らすかの設計です。ここでの原則は、人の判断や手加減に頼っていた部分を、少しずつ仕組みの側へ移していくことだと考えます。一足飛びに完全自動化を目指すより、効きそうな順に重ねていくほうが現実的になりうると考えます。
まず、測定の定義を誰が読んでも同じ動作になるように書き下します。測る位置、向き、回数、採用値、当て方や力の目安まで含めて手順書にすることで、方法起因のバラつきは相当程度縮められると考えられます。合否の境界が微妙な外観項目には、限度見本（合格限度・不合格限度の実物や標準画像）を整えると、判断基準の個人差を抑える助けになります。目視判定の属人化問題で扱うように、「何をもってOK/NGとするか」を実物と言葉の両方で固定していく作業が土台になります。
人がワークを持つ・当てるという動作自体がバラつきの源であるなら、治具でワークの姿勢と測定位置を固定する方向が有効になりえます。「同じ場所を、同じ向きで」が物理的に保証されるだけで、繰り返し性・再現性の双方に効く場合があると考えられます。
読み取りの視差や癖を取り除きたい場合、画像測定による自動計測が選択肢になります。カメラで撮った画像から寸法やエッジを算出すれば、誰が操作しても同じアルゴリズムで値が出るため、再現性を上げやすいと考えられます。ただし、画像測定は照明とカメラ・レンズ・治具の設計で結果が大きく変わります。ここは元キーエンス画像処理事業部の現場知見と、産業用カメラ・現場ライティングの設計が効いてくる領域で、撮り方が決まっていない状態で機械化しても、バラつきの発生源を画像側に移し替えるだけになりかねない点は正直にお伝えしたいところです。
寸法のように数値で測れる項目はまだ扱いやすいほうで、より厄介なのが、キズ・汚れ・色ムラ・光沢といった外観・官能検査のバラつきです。ここは「何ミリ以上をNGとするか」という単純な線引きが難しく、検査員の経験と感覚に依存しがちで、再現性の確保が最も難しい領域の一つだと考えられます。
色の判定が人によって揺れる場合、色差の定量化（数値での管理）が突破口になりうると考えます。人の目は順応や周囲光の影響を受けやすく、同じサンプルでも印象が変わります。色検査と色差の検証のように、基準色との差を数値で扱えるようにすると、「なんとなく違う」を共通の物差しに載せやすくなると考えられます。
キズや汚れのように「言葉で書ききれないが人は見分けている」判定には、画像AIの活用が検討に値します。近年はVLM（Vision Language Model）のように、良品・不良品の見え方の違いを画像から捉え、判定の根拠を言語で説明しうるアプローチも出てきており、限度見本のデジタル化や、判定のばらつきを平準化する補助として位置づけられると考えます。ただし、これも万能ではありません。学習に使うサンプルの偏り、照明変動、これまで人が暗黙に許容していた微妙な個体差の扱いなど、「やってみないと分からない部分」が残ります。最初から全数完全自動を狙うより、まず人の判定と機械の判定を突き合わせ、食い違う事例を一つずつ潰していく運用が、現実的で信頼できる立ち上げになりうると考えます。
標準化や自動化に取り組む際、多くの現場が似たところでつまずくと考えられます。あらかじめ知っておくと、遠回りを避けやすくなります。
最後に、「誰が測っても同じ」に近づくための現実的な進め方を整理します。順番自体が、そのまま優先度の目安になりうると考えます。
まず、複数の担当者に同じ複数の現物を繰り返し測ってもらい、繰り返し性（同じ人の揺れ）と再現性（人ごとの差）を切り分けます。これで「教育すべきか、仕組みを変えるべきか」の方向が見えてきます。数値基準は社内基準や参照規格の最新版で確認しつつ、まずは切り分けを目的にすると進めやすいと考えられます。
測定の定義を手順書と限度見本に落とし込み、可能なら治具で位置決めを固定します。この段階で再現性がどこまで縮むかを確かめ、まだ残るバラつきに対して次の手（画像測定・画像AI）を検討します。
読み取りや官能判定の属人性が残る項目について、画像測定や画像AIの適用を小さく検証します。ここで大切なのは、机上の期待値ではなく、自社の現物・自社の照明・自社の公差での結果を見ることです。導入可否の見極めは、PoC・検証設計の相談のように、まず小さく確かめる設計から入るのが安全だと考えます。判断に迷う段階でも、現物を前提に一緒に切り分けから整理していくことは可能ですので、気になる方は相談するところから始めていただければと思います。
教育で改善する部分もありますが、原因が人だけとは限らないと考えられます。測定器の分解能や状態、測定方法の定義の曖昧さ、温度や照明などの環境も大きく影響します。まずは同じ人が測り直したときの揺れ（繰り返し性）と、人が変わったときの差（再現性）を切り分け、どこが主因かを確かめることが出発点になりうると考えます。
測定システムのバラつきが全体や公差に占める割合で判断する運用が一般的ですが、具体的な合格ラインや算出方法は、採用する規格・社内基準・対象の公差設定によって変わります。本記事で特定の数値を断定することは避けます。適用にあたっては、社内の品質基準や参照する規格・ガイドラインの最新版でご確認ください。
色は基準色との色差を数値化する、キズや汚れは限度見本を整えたうえで画像AIで判定を平準化する、といったアプローチが検討に値すると考えられます。ただし照明変動や学習サンプルの偏りなど「やってみないと分からない部分」も残るため、まず人と機械の判定を突き合わせ、食い違う事例を潰していく運用が現実的だと考えます。
読み取りの視差や癖を取り除きやすくなるため、再現性の向上は期待できると考えられます。一方で、画像測定は照明・カメラ・レンズ・治具の設計で結果が大きく変わります。撮り方や測定の定義が曖昧なまま機械化すると、バラつきの源を画像側に移し替えるだけになりかねない点には注意が必要だと考えます。
いきなり全項目の自動化を目指すより、まず複数人・複数現物で現状のバラつきを可視化し、繰り返し性と再現性を切り分けることをおすすめします。次に測定の定義を手順書・限度見本・治具で固め、それでも残る属人性に対して画像測定や画像AIを小さく検証する——という順に、自社の現物・現場で確かめながら進める形が堅実だと考えます。
測定値や判定が人によって揺れる悩みは、教育の前に「どこのバラつきか」を切り分けることで打ち手が見えてくることが多いと考えます。元キーエンス画像処理事業部の現場知見と画像測定・AI外観検査の観点から、まずは自社の現物・現場を前提に、標準化と機械化の当たりを一緒に整理します。
測定バラつきの切り分けを相談する