品種数100で必要なNG画像は25,000枚。VLMなら実画像500枚で同等精度を達成できる。良品画像からNG画像を自動生成し、学習データ収集コストを95%削減する具体的な手順と精度データを公開。
多品種外観検査で最も高いコストは、AIの学習に必要なNG（不良品）画像の収集です。従来のDeep Learning検査では、品種ごとに数百枚のNG画像が必要。品種数が増えると、この収集コストが爆発的に増大します。
従来方式で必要なNG画像数：品種あたり200〜500枚
品種数10 → 2,000〜5,000枚（収集期間：1〜3ヶ月）
品種数50 → 10,000〜25,000枚（収集期間：6〜12ヶ月）
品種数100 → 20,000〜50,000枚（収集期間：1〜2年）
品種数50以上では、学習データの収集だけでプロジェクトが1年以上遅延するケースが多い。
しかも、新品種が追加されるたびにこのプロセスが繰り返されます。年間10品種追加される工場では、毎年2,000〜5,000枚のNG画像を新たに収集する必要があります。
※ 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。
新品種の良品を5〜10枚撮影するだけ。専用の照明下で、検査時と同じ撮影条件で撮影します。
VLMが良品画像に対して、キズ・汚れ・欠け・変色などの欠陥を自然に合成します。欠陥の種類・サイズ・位置はパラメータで制御可能。1枚の良品画像から10〜50パターンのNG画像を生成できます。
生成されたNG画像を品質管理担当者がレビューし、不自然なものを除外します。レビュー率は通常5〜10%（100枚中5〜10枚を除外）。
レビュー済みのNG画像＋良品画像でAIモデルを学習。TensorRTで最適化し、Jetson上でリアルタイム推論。
所要時間の比較：従来方式で品種あたり1〜3ヶ月 → VLM方式で品種あたり数十分〜数時間。
NG画像生成のデモを見たい方
無料デモを依頼する →検査対象：化粧品容器のキズ検出（品種数30）
パターンA（従来方式）：品種あたり実NG画像300枚で学習
→ 検出率：98.2%、過検出率：1.8%
パターンB（VLM方式）：品種あたり実NG画像10枚 + VLM生成100枚で学習
→ 検出率：96.5%、過検出率：2.1%
結論：VLM方式はデータ収集量を97%削減しながら、検出率は従来方式の98%水準を維持。実用上十分な精度。
| 検査タイプ | NG画像生成 | 理由 |
|---|---|---|
| キズ・打痕の検出 | 非常に効果的 | キズのパターンは品種横断で共通 |
| 汚れ・異物の検出 | 効果的 | 汚れの位置・大きさのバリエーション生成が容易 |
| 色ムラ・変色の検出 | 条件付き | 色の再現精度がカメラの色空間に依存 |
| 寸法不良の検出 | 不向き | 寸法検査はルールベース（画像処理）で対応 |
| はんだ不良の検出 | 効果的 | ブリッジ・未はんだのパターン生成が可能 |
多品種ラインでは、品種ごとに不良パターンが微妙に異なり、各品種の学習データ確保が困難。VLMによるNG画像生成が、この課題の解決策となります。
業界共通の基本不良（傷・打痕・色ムラ）を、全品種で共通生成。基本データを確保。
品種特有の不良（特定箇所・特定パターン）を追加生成。VLMにマスターテキスト＋詳細指示。
初期は共通パターンで運用開始し、運用データから品種固有不良を抽出して追加生成。
| 指標 | 目標値 |
|---|---|
| NG画像の多様性 | 1品種50パターン以上 |
| 物理的妥当性 | 専門家評価90%以上 |
| 現場不良との一致率 | 80%以上 |
| 生成コスト | 1品種あたり5万円以下 |
※ 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。
実際の不良発生事例をフィードバックし、生成NG画像のパターンを継続更新。AI判定精度の継続向上を実現します。
多品種NG生成の品質指標は、NG画像の多様性（1品種50パターン以上）、物理的妥当性（専門家評価90%以上）、現場不良との一致率（80%以上）、生成コスト（1品種5万円以下）。これらを継続的にモニタリングすることで、NG生成品質を長期的に維持できます。
NG画像生成は、多品種外観検査の最大コスト要因である「学習データ収集」を95%削減する技術です。品種数50以上の製造ラインでは、VLMによるNG画像生成なしには経済的に成り立たないケースが多い。Nsightの検査システムにはNG画像生成機能が標準搭載されています。
NG画像生成のデモ、まずは無料相談
無料相談する →VLMが良品画像に対してキズ・汚れ・欠けなどの欠陥を自動で合成する技術です。1枚の良品画像から10〜50パターンのNG画像を生成でき、学習データ収集コストを95%削減します。
Nsightの検証データでは、VLM生成NG画像で学習したモデルの検出率は、実NG画像のみで学習した場合の96〜98%水準。データ収集量を97%削減しながら実用上十分な精度を維持します。
キズ・汚れ・異物・はんだ不良などは効果的です。一方、寸法不良や色ムラなど数値で定義される不良はNG画像生成よりルールベース検査が適しています。
品種あたり5〜10枚の良品画像があれば十分です。検査時と同じ照明条件で撮影してください。
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。
実NGサンプル数枚から数百枚規模の学習データを生成でき、少量サンプル問題の解決に寄与します。
人間アノテーターの補助レベルで80〜95%の精度が出ます。最終チェックは人間が行う運用が推奨です。