売れ筋がばらけ、ロットは小さく、品種は増え続ける——この十数年で製造・物流の現場が直面してきた変化です。本稿は「SKUが増えるほど検査が回らなくなる」という構造を上流からほどき、自動アノテーションとVLMが解の一つになりうる理由と、その限界までを誠実に整理します。
店頭の棚を思い浮かべると分かりやすいかもしれません。同じカテゴリーの商品でも、サイズ違い・味違い・限定パッケージ・コラボ品が並び、十年前より明らかに種類が増えています。ECの普及とロングテール化、サブスクや小口販売の拡大、ブランドの細分化——こうした消費側の多様化は、川上の製造・包装・物流に「少しずつ、たくさんの種類を」という要求として跳ね返ってきます。これは一時的な流行ではなく、構造的で不可逆な流れと考えられます。
作る側から見ると、これは「同じものを大量に流す」前提の崩壊を意味します。1ロットは小さくなり、段取り替えの頻度は上がり、製品ライフサイクルは短くなる。生産ラインの柔軟性をどう確保するかは長く議論されてきましたが、見落とされがちなのが検査工程です。組立や搬送は多品種対応の設計思想がある程度浸透している一方、検査だけが「人の目」や「品種ごとに作り込んだ専用設備」に取り残されている現場は少なくないように見えます。
さらに重なるのが、製造・物流の現場で進む人手不足と熟練検査員の高齢化です。目視検査は属人性が高く、判断基準が人によってぶれやすい一方で、経験を積んだ検査員ほど代替が難しい。その人たちが退職期に差しかかると、「品種が増えているのに、見られる人は減っていく」という、最も苦しい交差が起きます。多品種少量化と人手不足は別々の課題に見えて、検査工程では同じ一点に圧力をかけてくると考えられます。
「品種が10から100に増えたら、検査も10倍大変になる」——そう単純であればまだ計画が立ちます。実際にはもっと厄介で、検査の負担はSKU数に比例しません。1品種を検査ラインに乗せるには、撮像条件（照明・画角・ピント）を合わせ、良品/不良の判定基準を決め、しきい値や教師データを用意し、段取り替えの手順を作る——という一連の立ち上げが必要です。品種が増えるほど、この立ち上げ作業そのものが積み上がり、さらに切り替えの頻度も上がるため、負担は掛け算的に膨らみやすいと考えられます。
この構造をコストの観点から掘り下げた整理は多品種検査のコスト問題でも触れていますが、要点は「1品種あたりの立ち上げコストが下がらない限り、品種が増えるほど総コストは線形以上に増える」という点にあります。
小ロットでは、生産時間に占める段取り替えの比率が相対的に大きくなります。検査でも同じで、品種が切り替わるたびに照明やワーク治具を組み替え、判定プログラムを呼び出し、試し打ちで基準を確認する——この準備時間がロットの実生産時間に近づくほど、検査がライン全体の律速になりかねません。「検査機はあるのに、段取りに手間取って結局フル稼働できない」という声は、多品種化した現場でよく聞かれるように思います。
画像AIによる検査を導入する場合、最大の隠れコストはしばしば学習データの整備にあります。良品・不良の画像を集め、どこが不良かを人手で印付け（アノテーション）する作業は地味で時間がかかります。少量生産では、そもそも不良サンプルが十分に集まらない。「不良を学習させたいのに、不良が貴重で手元にない」という逆説は、多品種少量の現場ほど深刻になりやすいと考えられます。この隘路については多品種アノテーションの隘路でも整理しています。
画像検査の自動化は長い歴史があり、ルールベースの画像処理や、近年は深層学習による外観検査が普及してきました。これらは「対象が安定して大量に流れる」条件では非常に強力です。同じワークが何万個も流れるなら、十分なサンプルで作り込んだ専用モデルが高い性能を発揮しうる。問題は、その作り込みコストを多品種少量に展開しようとすると、品種ごとに同じ初期投資が再発する点にあります。
深層学習ベースの検査でも、新しい品種を追加するたびに「画像収集→アノテーション→学習→検証→現場チューニング」のサイクルを回す必要があり、これが品種数だけ繰り返されます。1品種で数週間かかるとすれば、数十品種への展開は単純計算で年単位になりかねません。技術が優れているかどうか以前に、運用が現実的に回らない——これが多品種少量における従来アプローチの本質的な壁だと考えられます。
多品種少量の検査自動化を検討するとき、判断軸を「どれだけ精度が高いか」から「新しい品種をどれだけ速く・少ない手間で立ち上げられるか」へ移すことが有効になりうると考えます。極端に言えば、単品で見れば最高精度のシステムでも、品種追加に毎回数週間かかるなら現場では使い切れない。逆に、立ち上げが軽ければ、現物で素早く検証しながら適用範囲を広げていけます。この観点の転換が、技術選定の出発点になりうると考えます。
この立ち上げコストの壁に対して、近年現実味を帯びてきた方向が二つあります。一つは自動アノテーション——良品画像や少数のサンプルから、教師データ作成の人手作業を機械側に肩代わりさせる考え方です。すべてを自動化できるわけではありませんが、人手の印付けを大幅に減らせれば、品種追加の最大ボトルネックが軽くなりうると考えられます。詳しくは多品種の自動アノテーションで整理しています。
もう一つがVLM（Vision Language Model：画像と言語を結びつけて理解するモデル）の活用です。VLMの特徴は、大量の画像と言語で事前学習されているため、「正しい状態」「あってはならない状態」を言葉に近い形で指示しやすく、品種ごとにゼロから専用モデルを作り込まなくても、ある程度汎用的に外観の妥当性を捉えうる点にあります。品種追加への強さという観点は多品種VLMの仕組みや多品種検査とVLMで掘り下げています。
従来型が「この品種の不良を、この品種のサンプルで覚える」のに対し、VLMは「外観として何が普通で何が異常か」を広く事前に学んでいるため、新しい品種でも基準の言語的な指示や少数の参照画像で立ち上げられる可能性があります。少量生産で不良サンプルが集まらない状況とも相性が良いと考えられます。ただし、これは「うまくいけば」の話であり、対象や不良の種類によって得意・不得意が出ます。万能ではない点は後段で正直に述べます。
見落とされがちですが、検査の成否はモデルの良し悪しだけで決まりません。安定した撮像——適切な産業用カメラの選定、ワークを浮き立たせる照明設計（ライティング）、ぶれない治具、Jetson等のエッジでの低遅延処理——といった「写し方」の地力が土台になります。元キーエンス画像処理事業部で培われた現場の撮像ノウハウと、VLM・自動アノテーションのソフト面を組み合わせて初めて、多品種でも安定した検査になりうると考えます。
多品種少量の検査自動化で失敗しやすいのは、「全SKUを最初から完全自動化しよう」とする計画です。品種は数十・数百あっても、流通量・不良発生率・流出時の損害は品種ごとに大きく異なります。まずは「守るべき優先度」でSKUを層別し、影響の大きい品種・不良から段階的に着手する設計が現実的だと考えられます。
すべての不良を同じ精度で捕まえる必要はありません。安全や法規制に関わる致命不良は確実に止める一方、軽微な外観ばらつきは別基準で扱うなど、不良の重大度に応じて検査の厳しさを設計します。何でも全数で完璧に、と構えると、しきい値が過敏になり良品まで弾く過検出が増え、現場が検査を信用しなくなる——という逆効果も起こりえます。
完全自動を目指すより、「機械が一次判定し、グレーゾーンだけ人が確認する」協調設計のほうが、多品種では現実的な落としどころになりやすいと考えられます。機械が明確な良品・不良をさばき、判断に迷う領域だけ熟練者に回せば、貴重な人手を判断の難しい部分に集中できます。どこを機械に任せ、どこを人が見るのか——その線引きを設計段階で決めておくことが、後の運用を大きく左右すると考えます。
多品種少量の現場では、検査システムは「完成品」ではなく「育て続ける仕組み」として捉えるのが実態に合うと考えられます。新製品は次々に追加され、既存品も仕様変更やパッケージ更新が入る。立ち上げ時に固めた基準は、時間とともに必ずずれていきます。だからこそ、新品種を追加する手順がどれだけ軽いか、誰が運用できるかが、長期的なコストを決めると考えます。
品種を追加するたびに外部ベンダーやAI専門家を呼ばないと回らない仕組みは、多品種少量では運用が破綻しやすい。理想は、現場の品質担当者が、参照画像の追加や基準の微調整を自分たちで行える状態です。専門家に頼るのは難しい不良の見極めなど本当に必要な場面に限り、日々の品種追加は現場で完結する——そういう運用設計を初期から織り込むことが望ましいと考えます。
検査を続ける中で蓄積される判定結果や見逃し・過検出の記録は、改善の原資になります。どの品種でどんな誤判定が起きやすいかが見えれば、撮像条件や基準を的を絞って直せます。逆にログを残さず運用すると、なぜ精度が落ちたのかを後から追えません。多品種では問題の所在が品種ごとに散らばるため、記録の有無が改善速度を大きく分けると考えられます。
多品種少量の検査自動化は有望な方向ですが、過度な期待で進めると現場で躓きます。やってみないと分からない部分も正直に多く、以下は検討段階で押さえておきたい論点です。
多品種少量時代の検査に唯一の正解はありません。だからこそ、最初の一歩は技術選定ではなく現状把握だと考えます。自社にSKUが何種類あり、どの品種がどれだけ流れ、どんな不良が・どの頻度で・どの損害を伴って発生しているのか。この棚卸しができていない状態で自動化を語っても、優先順位がつけられません。
その上で、影響の大きい品種・不良から小さく始め、現物・現場で検証しながら適用範囲を広げる——という進め方が、多品種少量では堅実だと考えられます。最初から全SKUを狙うのではなく、「この品種の、この不良を、この精度で守れるか」を一つ確かめ、立ち上げの手応えと運用の軽さを実地で測る。その積み重ねが、品種が増え続ける現場でも回り続ける検査体制につながりうると考えます。
机上の比較では、どの手法が自社の対象に効くかは分かりません。実際のワークを撮り、実際の不良で試してみることでしか見えないことが多いのが、この領域の正直なところです。まずは一品種、一つの不良から検証を始めることをおすすめします。
検査の負担はSKU数に比例せず、品種ごとの撮像条件合わせ・判定基準づくり・学習データ整備といった立ち上げ作業と、段取り替え頻度の増加が掛け算で効くためと考えられます。1品種あたりの立ち上げコストが下がらない限り、品種が増えるほど総負担は線形以上に膨らみやすい構造があると考えられます。
従来型の「不良を大量に学習させる」アプローチは確かに成立しにくくなります。一方で、良品中心に学ぶ手法や、事前学習済みのVLM・自動アノテーションは、不良サンプル不足を緩和しうる方向と考えられます。ただし対象や不良の種類で向き不向きが出るため、現物・現場での検証が前提になります。
VLMは品種追加に強くなりうる手法ですが、万能ではありません。対象の外観・不良の種類・要求精度によって得意不得意があり、安定した撮像（照明・カメラ・治具）が伴わなければ性能は出にくいと考えられます。実際のワークと不良で適用範囲を確かめる検証を省くと、期待外れになりうる点にご注意ください。
多品種少量では、全品種一斉の完全自動化は躓きやすいと考えられます。流通量・不良発生率・流出時の損害は品種ごとに大きく異なるため、影響の大きい品種・不良から層別して段階的に着手し、現物検証で手応えを測りながら適用範囲を広げる進め方が現実的だと考えます。
品種が増え続ける前提では、品種追加のたびに外部の専門家を要する仕組みは運用が破綻しやすいと考えられます。日々の品種追加や基準の微調整は現場の品質担当者が自分たちで行え、難しい不良の見極めなど本当に必要な場面だけ専門家に頼る——という協調的な運用設計を初期から織り込むことが望ましいと考えます。
多品種少量の検査に唯一の正解はなく、効くかどうかは実際のワークと不良で試してみないと分かりません。まずは一品種・一つの不良から、現物での検証を一緒に始めませんか。元キーエンス画像処理事業部の現場知見とVLM・自動アノテーション・エッジ実装を踏まえ、優先順位の付け方からご相談に応じます。
多品種少量の検査について相談する