AIを入れたのに過検出が減らず、結局オペレーターが全部を見直している。この記事は、その症状の「上流」に立ち返り、撮像・閾値・地合い・学習データのどこがボトルネックなのかを切り分けます。まず何を確かめれば良品が良品として通るようになるのか、順を追って考えます。
「AI外観検査を導入したのに、過検出が多くて結局オペレーターが全数を見直している」——これは外観検査の現場で最もよく聞く困りごとの一つです。良品なのに不良と判定される（正常を不良と誤る）ケースが減らず、AIが出したNGを人が一枚ずつ確認する二度手間になっている。省人化のために入れたはずのシステムが、かえって確認工数を増やしている、という逆転が起きています。
厄介なのは、この状態が「AIの精度が悪い」という一言で説明されがちなことです。ベンダーに相談すると「学習データを追加してください」と言われ、良品画像を足しても症状が変わらない。閾値を上げれば過検出は減るが、今度は本当の不良が抜け始める。多くの現場が、この堂々巡りに時間を溶かしていると考えられます。
過検出は、AIの判定ロジックだけの問題であることは実は多くありません。判定にたどり着く手前——ワークをどう照らし、どう写し、どこを検査領域とし、どのくらいのばらつきまでを良品の幅として許すのか——という上流の設計が揺れていると、モデルをどう調整しても安定しないと考えます。精度チューニングは最後の仕上げであって、過検出が「止まらない」段階の主因ではないことが多いのです。
この記事では、過検出を「AIの出力」ではなく「撮像から判定までの一連の系」の症状として捉え直します。どの層に原因があるのかを切り分けられれば、闇雲な再学習から抜け出し、確かめるべき順序が見えてくると考えられます。
まず押さえておきたいのは、過検出（正常を不良と誤る）と見逃し（不良を良品と誤る）は表裏一体だという構造です。検査の判定は「怪しいものをどこまで拾うか」の線引きであり、その線を厳しく（拾いやすく）すれば過検出が増え、緩く（見逃しやすく）すれば見逃しが増えます。片方だけを都合よくゼロにすることは、原理上できないと考えます。
つまり「過検出をなくしたい」という要望は、正確には「見逃しを許容できる範囲に保ったまま、過検出をどこまで下げられるか」という問いに翻訳する必要があります。ここを曖昧にしたまま閾値だけをいじると、過検出を追えば見逃しが顔を出し、見逃しを塞げば過検出が戻る、というシーソーから抜けられません。
外観検査では、その製品と出荷先が「どちらの誤りをより恐れるか」で最適点が変わります。一つでも不良流出が許されない安全部品なら、多少の過検出を飲んでも見逃しをゼロに寄せる設計になります。逆に不良が下流で容易に発見・手直しできる工程なら、過検出を減らして流量を優先する判断もありえます。この優先順位を関係者で先に握ることが、後のチューニングを迷走させないための土台になると考えられます。
この段階で「なぜそう判定したか」を人が追える状態であることも重要です。判定の根拠が見えないと、過検出を1件減らす調整が見逃しを何件増やすのか誰も評価できません。判定根拠を可視化する説明できるAI外観検査の考え方は、このトレードオフを現場が納得して動かすための前提になりうると考えます。
過検出が止まらないとき、原因は概ね次の4層のどこかに潜んでいます。上から順に、①撮像のばらつき（照明・カメラ・光学系）、②地合い（ワーク表面や背景の質感・むら）、③閾値と判定ロジックの設計、④学習データの偏り。この順番には意味があります。上流ほど影響が広く、上流を放置したまま下流を調整しても効果が続かないからです。
たとえば照明が撮像ごとに微妙に揺れていると、同じ良品でも明るさやコントラストが毎回変わります。AIから見れば「見たことのない見え方」の良品が次々に来るわけで、これを不良と誤るのは無理もありません。この状態でいくら良品画像を追加学習しても、ばらつきの母集団が広すぎて追いつかず、過検出は減りきらないと考えられます。原因が①にあるのに④で対処しようとしている、という取り違えが現場では頻繁に起きています。
逆に、撮像が安定していて地合いも均一なのに過検出が多いなら、原因は③や④に絞り込めます。切り分けの価値はここにあります。どの層が主因かを特定できれば、打ち手が一つに定まり、無駄な再学習ループから抜けられるのです。元キーエンス画像処理事業部で撮像設計から判定までを一気通貫で見てきた経験からも、過検出の相談の入口が実は照明や光学系だった、というケースは少なくないと考えます。
以降の章では、この4層を「撮像・地合い」（04章）と「閾値・学習データ」（05章）に分けて、それぞれ何をどう確かめるかを具体的に見ていきます。
最初に確かめるべきは「同じ良品を何度撮っても、同じように写るか」です。過検出された画像を数十枚集め、良品と分かっているものだけを並べてみてください。明るさ・コントラスト・写る位置・ピント・色味がショットごとにばらついているなら、原因の相当部分は撮像側にあると考えられます。AIの判定を疑う前に、入力画像そのものが揺れていないかを見るのが順序です。
外観検査の見え方は、照明が支配的です。傷や欠けを浮かせるための角度・波長・拡散の設計がワークに合っていないと、正常な表面のテクスチャや正反射が「欠陥のように」写り、過検出の温床になります。外光の混入、照明の経時劣化、ワーク搬送時の微妙な傾きも、見え方を変える要因です。現場ライティングは「明るく照らす」ことではなく「欠陥だけを差として浮かせ、正常な地合いは差として出さない」ことが目的だと考えます。ここが決まると、後段の判定は劇的に楽になりえます。
金属のヘアライン、樹脂のシボ、布の織り目、印刷の網点——こうした正常な地合いは、拡大すると不良と紛らわしいパターンを持ちます。過検出の多くは、この地合いの「正常なばらつき」を不良と拾ってしまう現象です。地合いが場所や個体で変わる製品では、良品の幅そのものが広く、単純な差分では区別しきれません。こうしたケースでは、良品の正常な見え方の範囲を学習し、そこからの逸脱を捉える教師なし異常検知の発想が、過検出の抑制に寄与しうると考えられます。
撮像と地合いを整えることは、地味で軽視されがちですが、過検出対策の費用対効果が最も高くなりやすい層です。ここを飛ばして閾値と再学習に入ると、揺れる入力を後段で必死に吸収する構図になり、いつまでも安定しないと考えます。ソフトとハードを一体で設計するAI画像検査パッケージの観点でも、撮像設計は判定精度と同じ重みで扱うべき対象だと捉えています。
撮像と地合いが安定していることを確かめたうえで、まだ過検出が残るなら、次は閾値と学習データです。閾値は「どのくらいの逸脱を不良とみなすか」の線引きで、ここを一律に決めていると、部位ごとに難易度が違う検査では無理が出ます。傷が出やすい平面部と、正常でも陰影が強いエッジ部を同じ閾値で見れば、エッジ部が過検出の巣になりがちです。検査領域を分け、部位ごとに許容幅を変えられるか——これが過検出を局所的に減らす鍵になりうると考えます。
過検出が出ると反射的に良品画像を追加学習しがちですが、闇雲な追加は効きにくいことがあります。効くのは「実際に過検出された、その見え方の良品」を狙って足すことです。過検出画像を原因別（照明揺れ由来・地合い由来・位置ずれ由来）に仕分け、どの見え方が良品として不足しているかを見極めてから足す。良品の分布に空いていた穴を埋めるイメージです。総量を増やすより、過検出の実例に対応する見え方を選んで補う方が、少ないデータで効きやすいと考えられます。
日々出てくる過検出は、モデルにとって「間違えやすい良品の見本市」です。オペレーターが見直して良品と確定したものを、正しいラベルで系に戻す運用を作れると、過検出は時間とともに教材へ変わります。ここで判定根拠が見えていれば、なぜ拾ったのかの分類がしやすく、対策も撮像・閾値・データのどこを触るべきか判断できます。過検出を「潰す作業」から「減らすための情報源」へ位置づけ直すことが、地力を上げると考えます。
過検出対策は一度の設定で終わるものではなく、運用の中で継続的に締めていく性質のものだと考えます。まず大事なのは「今どれだけ過検出しているか」を数える仕組みです。全数を人が見直しているうちは工数でしか実感できませんが、過検出率と見逃し率を分けて記録できれば、ある調整が過検出を下げた代わりに見逃しをどれだけ増やしたかが見え、シーソーを制御できるようになります。
限られた品種・限られた時間帯で試し、過検出の出方を観察してから広げるのが安全です。撮像条件や地合いは品種で変わるため、一つの成功設定が他へそのまま効くとは限りません。小さく回して「どの見え方で過検出するか」を掴んでから横展開する進め方は、AI検査PoCの進め方の考え方と重なります。過検出という具体的な症状を評価軸に据えると、PoCの合否基準も明確になりやすいと考えられます。
運用では、人とAIの役割分担も過検出対策の一部です。AIが自信を持ってOK/NGを出せる領域は自動で流し、判定が割れやすいグレーゾーンだけを人に回す設計にできれば、過検出があっても人の確認は一部で済みます。全数見直しから「怪しいものだけ見直し」へ移すこと自体が、現場負荷という意味での過検出問題の緩和になりうると考えます。
最後に、過検出を減らそうとするときに陥りやすい典型を挙げます。どれも「良かれと思って」やった対処が、別の問題を呼ぶパターンです。
ここまでを、現場で動かせる順序にまとめます。第一歩は、過検出された画像を数十枚集め、良品と分かっているものを並べて「見え方が一定か」を確かめること。これだけで、原因が撮像側か判定側かの当たりが付きます。精度の議論に入る前の、最も費用のかからない切り分けです。
次に、見え方が揺れているなら照明・光学系・位置決めを整え、地合いが難しいなら教師なし異常検知など地合いに強い枠組みを検討します。撮像と地合いが落ち着いてから、部位ごとの閾値設計と、過検出の実例に狙いを定めた学習データの補強へ進む。この順で回すと、下流の調整が効く土台が整い、同じ工数でも改善が長続きしやすいと考えられます。
そして、過検出率と見逃し率を分けて計測し続け、人とAIの分担で全数見直しから怪しいものだけの見直しへ移す。過検出は「一度で消す」ものではなく「計測しながら締めていく」ものだ、という前提に立てると、現場の徒労感は減っていくと考えます。どの層に主因があるか判断がつかない、現物で切り分けから始めたい、という段階であれば、実際の過検出画像を持ち寄って一緒に見るところから始めるのが確実だと考えられます。
精度だけが原因であることは多くありません。判定の手前にある撮像のばらつき（照明・光学系・位置決め）や地合い、閾値設計、学習データの偏りが複合していることが一般的だと考えられます。まず過検出画像を集め、良品でも見え方が一定かを確かめると、原因が撮像側か判定側かの当たりが付きやすくなります。精度チューニングは上流を整えた後の仕上げに位置づけるのが順序だと考えます。
過検出（正常を不良と誤る）と見逃し（不良を良品と誤る）は表裏一体で、片方だけをゼロにすることは原理上難しいと考えられます。閾値を緩めれば過検出は減りますが見逃しは増えます。両方を分けて計測し、その製品と出荷先が『どちらの誤りをより恐れるか』で最適点を決めるのが現実的です。安全に関わる部品では、多少の過検出を許容し見逃しを抑える設計になりやすいと考えます。
闇雲に量を足しても効きにくいことがあります。効きやすいのは、実際に過検出された見え方に対応する良品を狙って補うことだと考えられます。過検出画像を原因別（照明揺れ・地合い・位置ずれ）に仕分け、良品の分布で不足している見え方を選んで足すイメージです。ただし前提として撮像が安定していることが必要で、入力が揺れたまま追加してもばらつきを追いかけ続けやすい点に注意が必要だと考えます。
ヘアラインやシボ、織り目などの正常な地合いは、拡大すると不良と紛らわしいパターンを持ち、過検出の温床になりやすいです。まず照明で正常な地合いを差として出さず欠陥だけを浮かせる撮像設計を検討し、それでも良品の幅が広い場合は、正常な見え方の範囲を学習して逸脱を捉える教師なし異常検知の枠組みが有効になりうると考えられます。地合いは品種で変わるため、品種単位での確認が前提になると考えます。
一度で終わるものではなく、運用の中で継続的に締めていく性質のものだと考えます。過検出率と見逃し率を分けて記録し、調整が両者にどう影響したかを見ながら最適点を保つのが現実的です。日々の過検出は『間違えやすい良品の見本市』でもあるため、見直して良品と確定したものを正しく系に戻せば教材にもなりえます。まずは限られた品種・時間帯で小さく試し、出方を掴んでから広げるのが安全だと考えられます。
過検出が止まらない原因は、撮像・地合い・閾値・学習データのどこかに潜んでいます。実際に過検出された画像を数十枚お持ちいただければ、見え方が一定か、原因が撮像側か判定側かの切り分けから一緒に確かめられます。まずは現物での検証から始めましょう。
過検出が減らない問題を相談する