品種ごとの設定変更なしで、多品種多検体の外観検査を自動化。従来装置では対応できなかった理由と解決策。
「多品種多検体」とは、製造ラインで品種が頻繁に切り替わり、かつ各品種で複数の検査項目（検体）がある状態を指します。自動車部品、電子部品、食品パッケージなどで典型的に発生します。
たとえば1日に20品種を流し、各品種でキズ・バリ・寸法・色差・印字の5項目を検査する場合、20×5＝100通りの検査条件を管理する必要があります。これが「多品種多検体」の検査が難しい本質的な理由です。
ルールベースの画像処理では、品種ごとに検査パラメータ（閾値・ROI・基準画像）を個別設定する必要がある。品種数が増えるほど管理工数が爆発。
品種切替のたびにパラメータをロードし、テスト検査で確認する時間が発生。多品種ラインでは段取り替えだけで1日の生産時間の20〜30%を消費するケースも。
検査パラメータの調整に熟練が必要。担当者が不在だと品種追加や条件変更に対応できない。ノウハウがブラックボックス化。
多品種多検体の検査を自動化する鍵は、品種ごとの設定変更を不要にすることです。ここでVLM（Vision Language Model）が威力を発揮します。
VLMは画像と言語の両方を理解できるため、「この品種はこういう形状で、ここにキズがあるとNG」という判断を、品種ごとのパラメータ設定なしで行える。
新品種のNG画像が少なくても、VLMが不良品画像を生成して学習データを補完。品種追加のたびに大量のNG品を集める必要がない。
検査画像のラベル付けをVLMが自動で実行。多品種×多検体で膨大になるアノテーション工数を最大90%削減。
現場のオペレーターがブラウザ上でAIモデルの調整を実行。品種追加も専門知識なしで対応可能。属人化を解消。
全ての検査をVLMで行うのではなく、ルールベースが得意な検査（寸法計測、色差、有無判定）はそのまま残し、VLMが得意な検査（微妙な外観差、多品種の品種識別、未知欠陥）をVLMが担当する構成が最も安定します。
| 検査項目 | ルールベース | VLM | 推奨 |
|---|---|---|---|
| 寸法計測 | ◎ | △ | ルールベース |
| 色差判定 | ◎ | ○ | ルールベース |
| キズ・打痕 | ○ | ◎ | VLM |
| 品種識別 | △ | ◎ | VLM |
| ラベル文字照合 | ○ | ◎ | VLM |
| 未知欠陥 | × | ○ | VLM |
| 項目 | 従来（ルールベースのみ） | ハイブリッド構成 |
|---|---|---|
| 品種切替時間 | 15〜30分/回 | 0分（自動） |
| 新品種追加 | 2〜5日（パラメータ設定） | 数時間（画像数枚で学習） |
| 検査パラメータ管理 | 品種数×検体数の設定ファイル | AIモデル1つで全品種対応 |
| 属人化リスク | 高い | 低い（ブラウザUIで誰でも操作） |
※ 掲載の金額・単価は執筆時点の参考値です。実際の費用は要件・時期により変動します。
Nsightは元キーエンス画像処理部門のメンバーが在籍しており、多品種多検体の検査において、品種ごとの設定変更が不要なVLM＋ハイブリッド構成で、段取り替えゼロの自動検査を実現します。品種数10以上のラインで特に効果が大きい構成です。
既存の画像処理システム（カメラ・照明・コントローラー）はそのまま活かし、VLMをソフトウェアレイヤーとして追加。ルールベースで安定検出できる欠陥はそのまま、従来手法では対応が難しかった多品種対応・微妙な外観差の判定をVLMが補完します。
まずはサンプル画像で無料検証しませんか？
無料サンプル検証を依頼する →多品種ラインの中には、1検査ステーションで複数サンプルを同時に処理するパターンもあります。1サンプルずつ処理する従来手法では生産性が出ません。
1画像内の複数サンプルを一度に検出し、それぞれを判定。最も柔軟な構成。
固定パターン（4×4グリッド等）の場合、画像分割→個別判定。効率的な処理が可能。
事前定義したROI（関心領域）ごとに判定。マスター登録で対応。精密な判定に向く。
多サンプル同時処理の技術進化は、撮像速度・推論速度・搬送精度の3軸で進行しています。次世代カメラの高速化、エッジAI推論機の性能向上、産業ロボットの精度向上により、多サンプル処理のスループットがさらに向上。今後5年で現状の2-3倍の処理能力が実現される見込みです。
| 業界 | 適用パターン |
|---|---|
| 電子部品 | マガジン搬送（複数チップ同時撮像） |
| 食品 | パレット搬送（複数容器同時） |
| 化粧品 | キャリアトレイ（複数ボトル同時） |
| 製薬 | ブリスターパック（錠剤の格子配列） |
多サンプル同時処理は業界別に標準パターンが存在します。電子部品業界はマガジン搬送（複数チップ同時撮像）、食品業界はパレット搬送（複数容器同時）、化粧品業界はキャリアトレイ（複数ボトル同時）、製薬業界はブリスターパック（錠剤の格子配列）。各業界の搬送パターンに応じた撮像設計が、生産性最大化の鍵となります。
品種ごとに検査パラメータを個別設定・管理する必要がある点です。品種数×検体数の組み合わせが増えるほど管理工数が爆発的に増加します。VLM＋ハイブリッド構成なら品種ごとの設定変更が不要になります。
目安として10品種以上で明確なコストメリットが出ます。品種数が多いほどVLMの効果は大きくなります。3〜5品種の場合はルールベースでも対応可能です。
いいえ。既存の画像処理システム（カメラ・照明・コントローラー）はそのまま活かし、VLMをソフトウェアレイヤーとして追加する構成が可能です。
ゼロショット利用なら追加学習不要です。ファインチューニングする場合、数百〜数千枚のラベル付きデータで効果が出ます。
画像と自然言語の両方を理解する大規模AIモデルです。ゼロショットでの画像分類・質問応答・照合が可能です。
現時点では、VLMは裏方（NG画像生成・オートアノテーション・学習データ拡張）として活用し、本番判定は軽量モデルが主流です。