検査を通ったはずの不良が客先で見つかった。原因を追おうにも「そのとき何が見えていたか」の記録がない——多くの現場で起きるこの状況を、担当者個人の注意不足ではなく検査プロセスの構造として捉え直します。見逃しの発生源を上流から分解し、次に何を確かめれば流出を止められるかを考えます。
検査を通ったはずの製品に不良が混じっていて、客先で発見された。返品や是正処置報告書（8D）の要求が来て、現場は一気に緊張します。このとき多くの職場で最初に起きるのが「誰が検査したのか」「なぜ見逃したのか」という担当者への問いかけです。気持ちは分かりますが、ここを個人の注意不足として閉じてしまうと、対策が『再教育』『ダブルチェック追加』にとどまり、しばらくするとまた同じことが起きる——という悪循環に入りやすいと考えられます。
流出不良は、たいてい一人のミスではなく、いくつもの小さな条件が重なった結果として生まれます。その日の照明の当たり方、ロットで微妙に変わった欠陥の出方、判断に迷ったときの「たぶん大丈夫」の積み重ね。こうした条件を一つずつ見えるようにしていくことが、再発を本当に止めるための出発点になりうると考えます。
人の目による検査は、集中と照合を延々と続ける作業です。人間の注意は数十分単位で低下し、同じ欠陥でも見つかる日と見つからない日が出てきます。これは能力や真面目さの問題ではなく、生理的な限界です。だからこそ、クレームへの対応を「もっと注意する」で終わらせず、注意力に依存しない仕組みへどう寄せていくか、という問いに置き換えることが誠実だと考えます。
「見逃し」とひとことで言っても、発生している場所は同じではありません。対策を打つ前に、自分たちの見逃しがどのタイプなのかを切り分けることが重要だと考えます。おおまかに、①見えているのに気づかない（検出の問題）、②見えているが良否の判断が割れる（基準の問題）、③そもそも欠陥が写る・見える状態になっていない（撮像の問題）、の三つに分けて考えると整理しやすくなります。
欠陥は視野に入っているのに、疲労・タクトの速さ・単調さで見落とすタイプです。ここは人手の全数目視で最も起きやすく、増員やダブルチェックである程度は下げられますが、コストが積み上がるわりに見逃しがゼロにはなりにくい領域だと考えられます。安定した検出を求めるほど、画像による自動判定が候補に入ってきます。
「このキズはOKか、NGか」の線引きが人・日・気分で変わるタイプです。限度見本があっても、微妙な中間品の扱いが揃わず、ある人はOK・ある人はNGにする。これは検査員のせいというより、良否基準が言語化・可視化されていないことが原因であることが多いと考えます。基準の属人性は、流出と同時に「本来良品なのに捨てている（過検出）」という逆の損失も生んでいる場合があります。
見落としの根が、実は「見えるように撮れていない」ことにある場合があります。照明の角度が合っておらず微細な凹凸のキズが背景に沈む、透明・光沢・黒物でコントラストが立たない、解像度が足りず欠陥が数画素に埋もれる——こうなると人でもAIでも判定は苦しくなります。ここは見過ごされがちですが、流出不良の根本原因として非常に多い領域だと考えられます。
再発防止の一番確実な入口は、実際に流出した不良サンプル（と、それに近い限界品）を手元に確保することだと考えます。返品対応でサンプルを送り返してしまう前に、必ず撮像・記録を残しておくことをおすすめします。この一個が、原因分解のすべての基準点になりうるからです。
その現物を使って確かめたいのは、「この欠陥は、どう照らし・どの向きから・どの解像度で撮れば、はっきり見えるのか」です。照明を斜めから当てる（ローアングル照明）と浮き上がるキズもあれば、拡散光でないと見えないムラもあります。同じ欠陥でも撮り方で写り方が激変する——これを現物で一つずつ確認していく作業が、検出方式を決める前の土台になります。AI検査PoCの進め方でも触れているように、いきなり本番構築に進むより、まず小さく撮って見極める段階を挟むほうが結果的に近道になりうると考えます。
見逃した不良と、過去に正しくNGにできた不良を並べて撮ると、何が違ったのかが見えてきます。欠陥のサイズ・コントラスト・位置・向き。この差分こそが、検査条件のどこに穴があったかを教えてくれます。数字を根拠なく置くのではなく、自分たちの現物が示す事実から設計を始めるのが、遠回りに見えて堅い進め方だと考えます。
欠陥がはっきり写る撮像条件が見つかったら、次はそれを安定して再現できる構成に落とし込みます。カメラ（解像度・視野）、レンズ、照明（種類・角度・波長）、そしてワークの搬送や位置決め。ここが揃って初めて、人の判定でも画像による自動判定でも土俵に乗ります。逆に言うと、撮像設計を飛ばして『とりあえずAIに学習させる』に進むと、写っていないものは学習できず、見逃しは残ります。撮像設計と判定はセットで考えるべきだと考えます。
良否判定の部分は、対象の性質で向き不向きがあります。欠陥の形・位置・見え方が毎回大きく変わる、言葉で基準を伝えたい、多品種で個別ルールを組みきれない——こうしたケースでは、画像を意味で捉えて判断するVLM（視覚言語モデル）ベースのAI外観検査が選択肢になりえます。判定の根拠を人が読める形で示せると、基準の属人性の問題にも効いてくると考えられます。この観点は説明できるAI外観検査で詳しく整理しています。
Nsightは、元キーエンス画像処理事業部の現場知見を持つメンバーが、この「どう照らし・どう撮り・どう判定するか」を撮像設計から一体で考えるアプローチをとっています。ソフト単体でもハード単体でもなく、AI画像検査パッケージとしてカメラ・レンズ・照明・Jetsonエッジ・VLM判定を通しで設計するのは、見逃しの根が撮像側にあることが多いからです。
検査を厳しくすれば過検出（良品をNG）が増え、緩めれば見逃しが増える——このトレードオフから完全には逃れられません。現実的には、迷ったものは自動でNG側（人の再判定へ回す）に倒し、流出だけは確実に止める、といった非対称な設計が有効な場合があります。ゼロを目指して全部を止めるのではなく、外に出す不良をゼロに近づけることに軸足を置く考え方です。
クレーム対応で一番つらいのは、「なぜ通ってしまったのか」を追えないことです。判定時にどんな画像で、どんな条件・しきい値で、良品と判定したのか。この記録がないと、対策は推測になり、是正処置も『再教育』で締めるしかなくなります。全数の判定画像とパラメータをログとして残せる仕組みは、見逃しを減らすこと自体と同じくらい、原因追跡の面で価値があると考えます。
記録があると、流出が起きたときに「そのロットの画像を遡って、同じ欠陥が他にも通っていないか」を確認できます。封じ込め（コンテインメント）の範囲を、勘ではなくデータで切れるようになる。これはクレーム対応の初動を大きく変えうるポイントです。全数の記録は、平常時は退屈でも、事が起きたときに効いてきます。
流出した現物は、検査基準を育てる教材でもあります。「これは見逃してはいけない欠陥だった」という一個を、判定ロジックや限度見本に反映し、次から確実に捕まえる。この更新の回路が回っている職場は、クレームを一回ごとに検査の強度に変換できます。逆に更新のない職場は、同じタイプの流出を繰り返しやすいと考えられます。
再発防止策を打ったつもりが、かえって現場を疲れさせたり、別の損失を生んだりすることがあります。よくある落とし穴を挙げます。
最後に、クレームを受けてから再発を止めるまでの流れを、現実的な順番で整理します。焦って大きく作るより、確かめながら段階を踏むほうが、結果的に流出を確実に減らせると考えます。
まず、流出した現物と限界品を確保し、撮像で見えるか・見えないかを確認します。次に、見える撮像条件を設計し、その条件で人の判定を安定させられるか、あるいは画像による自動判定に載せられるかを小さく試します。ここでAI検査PoCの進め方のように限定範囲で検証し、見逃しと過検出の実際の出方を確かめます。並行して、判定画像と条件を記録できる仕組みを用意し、原因追跡と基準更新の回路を作ります。最後に、一箇所で効果を確認してから他ラインへ広げる。この順番が堅いと考えます。
検査の自動化そのものが初めての場合は、外観検査自動化の入門から全体像をつかむのがよいと考えます。そのうえで、自分たちの流出不良が「検出・基準・撮像」のどこに根を持つのか分からない段階でも、現物を持って相談するところから始められます。何が写り、何が写らないかを一緒に確かめるところからが、流出を止める最初の一歩になりうると考えます。
注意力の低下は一因ですが、それだけで説明できないことが多いと考えられます。人の目は生理的に集中が続かず、同じ欠陥でも見つかる日と見つからない日が出ます。加えて良否基準の属人性や、そもそも欠陥が撮像で見える状態になっていない、といった構造的な要因が重なって流出が起きているケースが少なくありません。個人の問題として閉じず、検出・基準・撮像のどこに根があるかを切り分けることをおすすめします。
完全なゼロを保証することは、人でも自動検査でも難しいと考えられます。検査を厳しくすれば過検出（良品をNG）が増え、緩めれば見逃しが増えるトレードオフが常にあるためです。現実的には、迷った個体はNG側に倒して人の再判定へ回すなど、外へ流出する不良をゼロに近づける非対称な設計が有効な場合があります。効果は対象と撮像条件で変わるため、現物での検証が前提になります。
写っていない欠陥はAIにも判定できないため、撮像設計を飛ばしてAIだけに期待すると見逃しが残る可能性があります。まず流出した現物を使い、その欠陥がどう照らし・どう撮れば見えるかを確かめることが先だと考えます。欠陥の見え方が毎回変わる・言葉で基準を伝えたい対象では、画像を意味で捉えるVLMベースの判定が選択肢になりえますが、いずれも現場での検証が前提です。
流出した不良サンプルの現物と、判定時の記録（可能なら画像・条件）だと考えます。返品でサンプルを送り返す前に、撮像して残しておくことをおすすめします。この現物が原因分解の基準点になり、同ロットに同じ欠陥が他にも通っていないかを遡って確認する封じ込めにも使えます。記録がないと対策が推測になり、再発を止めきれないことがあります。
再教育だけだと、しばらくして同じ流出を繰り返しやすいと考えられます。見逃しの発生源（検出・基準・撮像）のどこに根があったかを切り分け、撮像条件の見直し・良否基準の可視化・判定画像の記録・基準を更新する回路の整備といった、注意力に依存しない対策を組み合わせることが望ましいと考えます。効果は自社の現物で検証したうえで報告に反映するのが誠実だと考えます。
見逃しの根は、検出・基準・撮像のどこにあるか、現物を撮ってみないと分かりません。元キーエンス画像処理事業部の知見を持つメンバーが、その欠陥がどう照らせば見えるかを一緒に確かめるところから始めます。まずは流出サンプルを手に、現物検証からご相談ください。
流出不良の止め方を相談する