医薬品のPTP包装・錠剤検査は、人命に関わる品質要求とGMPの記録要件ゆえに極めて厳格です。欠錠・割れ錠・異物・印字の目視全数検査の限界と、画像AIが全数検査と判定記録の自動保存をどう補助しうるかを、断定を避けつつ実務目線で解説します。
医薬品の外観検査は、製造業全体のなかでも特に要求水準が高い領域のひとつだと考えられます。理由は単純で、検査をすり抜けた不良がそのまま患者の体内に入りうるからです。食品とも近い性質を持ちますが、医薬品は「用法・用量」「使用期限」「ロットの追跡可能性」といった情報そのものが安全性に直結するため、外観の欠陥だけでなく印字情報の正しさまでが検査対象に含まれます。
一般的な工業部品であれば、不良が出荷されても多くは機能不全やクレーム、再製作のコストに留まります。これに対し医薬品では、欠錠（本来あるべき錠剤が抜けている）、割れ錠・欠け、異物の混入、別品目の混入（コンタミ）などが、服用者の健康被害に直結しうる項目です。さらにロット番号や使用期限の印字が誤っていれば、回収（リコール）や、誤った期限による服用といった二次的なリスクにもつながりうると考えられます。こうした「失敗の重さ」が、検査設計を保守的にしている根本的な要因だと考えられます。
錠剤・カプセルの主要な包装形態であるPTP（Press Through Package、いわゆる「押し出して取り出すシート」）は、検査項目が多岐にわたります。代表的には次のような観点が挙げられます。
これら一つひとつが、見え方も発生メカニズムも異なります。色で捉えるべき項目、形状で捉えるべき項目、文字として読み取って照合すべき項目が同じシート上に共存しており、単一の検査ロジックで一括処理しにくい点が、この領域の難しさを底上げしていると考えられます。
医薬品製造では、GMP（Good Manufacturing Practice：適正製造規範）に代表される品質管理の考え方のもと、「正しく作った」ことだけでなく「正しく作ったと記録で示せる」ことが重視される、というのが一般的な理解です。具体的な要求事項は国・製品・施設の区分によって異なり、本記事で断定はできませんが、検査においても「どのロットを・いつ・どの基準で・どう判定したか」を後から追えるようにしておく必要性が高い領域だと考えられます。つまり外観検査は、良品/不良の選別という機能と、判定の記録という機能の二つを同時に求められる工程だと整理できます。後者の記録要件こそが、医薬品検査の自動化を考えるうえで見落とされがちな、しかし本質的な論点だと考えられます。
多くの現場で、最終的な品質の砦は人の目です。検査員の熟練は確かに高い識別力を生みますが、医薬品ラインの条件下では、人の目視には構造的な限界がいくつも重なります。ここでは「精度が出ない」ではなく「安定して出し続けるのが難しい」という観点で整理します。
PTP包装ラインは高速で流れ、シートは連続して生産されます。人がその速度に張り付いて全数を見続けると、集中力の維持そのものが課題になります。一般に、単調な監視作業では時間の経過とともに見落とし率が上がりやすいことが知られており、休憩や交代でしか緩和できません。とりわけ欠錠の「ない」を見つける検査は、「ある」を確認するより難度が高い傾向があると考えられます。存在しないものに気づくには、本来あるべき状態を常に頭に置き続ける必要があるためです。
「どこまでの欠けを不良とするか」「このかすれは許容か」といった限界見本付近の判定は、検査員の経験や体調、その日の基準感覚に左右されやすい部分です。複数人・複数シフトで検査すると、人によって、また時間帯によって判定が揺れる可能性があります。この揺れは、過検出（良品を不良と判定）と見逃し（不良を良品と判定）の双方向に効くため、歩留まりと安全の両面に影響しうると考えられます。基準を文書化しても、その解釈の幅までは完全には揃えきれない、というのが現場の実感に近いのではないでしょうか。
目視検査では、判定そのものは人の頭の中で完結し、記録は別途、紙やシステムへ手作業で残すことになりがちです。すると「実際にどのシートをどう見て、なぜそう判定したか」という一次情報は、原理的に残りにくくなります。不良が後工程や市場で見つかったとき、原因をさかのぼる手がかりが乏しくなることは、トレーサビリティを重んじる医薬品領域では特に痛い弱点だと考えられます。検査と記録が分離していることは、見落とし以上に根の深い課題かもしれません。
これらは「検査員を増やせば解決する」種類の問題ではありません。人を足せば一人あたりの負荷は下がりますが、判定基準の揺れはむしろ増えうるからです。さらに、検査員の採用・育成自体が難しくなっている地域・職種も多く、熟練検査員のノウハウが個人に閉じたまま継承されにくい点も、構造的な課題として横たわっていると考えられます。目視検査の限界と打ち手については、業種を問わず共通する論点として別途整理しています。
では、画像AIはこれらの検査項目にどう向き合えるのでしょうか。重要なのは、検査項目によって「適した捉え方」が異なるという点です。一括りに「AI検査」と語るのではなく、項目ごとに撮像・照明・判定ロジックを設計していく姿勢が、結果として精度と安定につながると考えられます。
欠錠やポケットの空き、割れ・欠け・変形は、形状と存在の検査です。ポケットの位置はシート上で規則的に並ぶため、各ポケット領域を切り出し、そこに想定どおりの錠剤・カプセルが存在し、輪郭が欠けていないかを評価する組み立てが基本になります。錠剤の色や形が品目ごとに決まっていれば、混錠（別品目の混入）も色・形の逸脱として捉えられる可能性があります。AI（学習ベースの判定）は、正常なポケットの見え方を多数学ぶことで、軽微な欠けや微妙な変形といった「ルールで書きにくい逸脱」を相対的に捉えやすい点が利点だと考えられます。
異物や汚れは、種類が無限にあり、すべてを事前に定義することが困難な項目です。ここでは「不良の見本を集めて覚える」よりも、「正常な状態を十分に学び、そこから外れたものを異常とみなす」アプローチが有効な場面が多いと考えられます。とはいえ、気泡と異物の区別、許容できる微小な点と問題のある黒点の線引きなど、限界見本付近の設計は依然として難しく、現物での閾値調整が前提になります。ここは設計者の腕とドメイン知識が問われる部分です。
ロット番号・使用期限・製品コードの印字や、錠剤の刻印は、「欠陥として捉える」だけでなく「文字として読み取り、正しい内容と照合する」検査です。かすれ・欠け・滲みといった印字品質の検査に加え、そもそも印字された文字列が当日のロット・期限として正しいか、という照合が重要になります。文字を読む工程では、近年はエッジで動くVLM-OCRのように、印字の崩れや背景の影響に比較的強い読み取りを目指す手法も選択肢に入ってきています。ただし医薬品の印字照合は誤りが許されにくいため、読み取り結果をマスタと突き合わせて検証する仕組みまで含めて設計すべき領域だと考えられます。
画像AIの本質的な価値は、全数を同じ基準で見続けられることと、その判定を画像付きで自動的に残せることの両立にあると考えています。検査と記録が一つの工程に統合されれば、「このシートをこの画像でこう判定した」という一次情報がそのまま蓄積されます。これは、ライン全体の状態を俯瞰する工程の可視化の入口にもなりえます。検査は不良を弾く関所であると同時に、品質データの発生源でもある——この視点が、医薬品領域では特に効いてくると考えられます。
医薬品検査における自動化の議論は、「人より速く正確に弾けるか」だけで完結しません。むしろ「判定をどう記録し、後から検証・活用できる形で残すか」が、同等以上に重要な論点だと考えられます。ここはAI検査の導入効果が、品質保証の文脈で最も活きる部分かもしれません。
画像AIで検査すると、判定の瞬間に撮像画像が手元にあります。これに、ロット番号・タイムスタンプ・判定結果（良/不良と不良種別）・適用した判定基準のバージョンといったメタ情報を紐づけて保存すれば、検査の一次記録が自動で積み上がっていきます。人手の転記を介さないため、記録の抜けや誤転記が起きにくく、「実際に何を見てどう判断したか」を画像で確認できる点が、目視＋手記録との大きな違いになると考えられます。
記録が構造化されて残ると、「特定の時間帯に割れ錠が増えていないか」「あるロットで印字かすれが偏っていないか」といった傾向分析が後から可能になります。これは検査の精度向上だけでなく、上流の打錠・包装工程の異常検知にもつながりうる情報です。検査データを単なる合否の山ではなく、工場のデータ基盤として束ねていくと、品質の問題を「起きてから探す」から「兆候の段階で気づく」方向へ寄せていける可能性があります。
トレーサビリティが重視される医薬品領域では、社内外からの照会や監査に対し、根拠を提示できる状態を保つことの価値が高いと考えられます。「このロットの検査記録を、画像付きで提示できる」という状態は、品質保証部門にとって心強い裏付けになりうるはずです。ただし、何をどの期間・どの形式で保存すべきかは、製品区分や各社の品質方針、適用される規範によって異なります。本記事で具体的な保存要件を断定することは避け、自社の品質保証部門・規制対応の方針に沿って設計する前提とすることをおすすめします。技術的には「全数の判定を画像付きで残す」ことは十分に射程に入っている、という点をお伝えするに留めます。
医薬品検査は要求が厳しいぶん、いきなり全ラインを置き換える発想は現実的でないことが多いと考えられます。むしろ、限定した範囲で仮説を検証し、効果と限界を見極めてから広げる進め方が相性が良いと考えています。
前述のとおり、医薬品包装の検査項目は多岐にわたります。最初からすべてをAIに委ねようとすると、設計も評価も発散しがちです。たとえば「まずは欠錠と割れの検出」「次に印字の照合」というように、効果が大きく定義の明確な項目から段階的に取り組むほうが、検証も学習データの収集も進めやすいと考えられます。検査項目の優先順位づけ自体が、最初の重要な設計判断です。
同じ「割れ錠検査」でも、錠剤の色・形・コーティングの光沢、PTPのフィルム素材、ラインの速度、照明環境によって、適した撮像・照明・判定は変わります。カタログ上の精度や他社事例が、自社のワークでそのまま再現される保証はありません。だからこそ、自社の実際のワークとライン条件で試す検証——いわゆるPoC（概念実証）——が欠かせないと考えています。良品・不良品の現品を持ち寄り、実際に撮って、判定がどこまで安定するか、限界見本付近でどう振る舞うかを一緒に確かめていく進め方です。PoC・検証のご相談は、まさにこの段階を一緒に組み立てる支援を想定しています。
検査の設計では、過検出（良品を弾く）と見逃し（不良を通す）はトレードオフの関係になりがちです。医薬品では見逃しのリスクが極めて重いため、安全側に倒して過検出を許容する設計が選ばれる場面が多いと考えられますが、過検出が多すぎれば歩留まりと生産性を損ないます。どの水準で運用するかは、製品リスク・生産量・後工程の体制を踏まえた経営判断でもあります。AIに任せきりにするのではなく、しきい値や最終確認の体制を人が設計し続けることが、実運用での定着につながると考えています。外観検査自動化の進め方も、こうした設計判断の全体像を整理する助けになるはずです。
現実的な運用では、AIが全数を一次選別し、判定が微妙なものや不良候補だけを人が確認する、という分担が落としどころになることが多いと考えられます。これにより、人は「全数を見続ける」負荷から解放され、「難しい判定に集中する」役割へ移れます。AIで人を置き換えるのではなく、人の判断力を最も価値の出るところへ振り向ける——この発想が、厳しい品質要求と省力化を両立させる鍵だと考えています。
導入の検討段階で見落とされやすい論点を、あらかじめ挙げておきます。いずれも、技術そのものよりも「運用に乗せる」ところで効いてくる項目です。
これらは「だからやめたほうがよい」という話ではなく、「最初から見込んでおけば乗り越えやすい」項目です。むしろ、つまずきどころを事前に共有できる相手と組めるかどうかが、導入の成否を分けると考えています。
最後に、医薬品の外観検査がこれからどう変わりうるかと、Nsightとしての向き合い方を整理します。技術の方向性は見えつつありますが、医薬品という領域だからこそ、慎重に・現物で確かめながら進める姿勢を崩さないことが大切だと考えています。
これまで検査は、不良を弾く最終関門として捉えられがちでした。しかし全数の判定が画像付きで記録され、データとして蓄積されるようになると、検査は品質を作り込むための情報源へと位置づけが変わっていく可能性があります。割れや印字不良の発生傾向から上流工程の異常をいち早く捉える、ロットごとの品質を後から検証する——こうした使い方が広がれば、検査投資の意味づけも「コスト削減」から「品質保証の高度化」へと広がっていくと考えられます。
医薬品では「なぜ不良と判定したのか」を示せることの価値が特に高い領域です。判定根拠を画像上で示したり、VLMのように自然言語で理由を補足したりする方向は、現場の納得と監査対応の両面で意味を持つと考えられます。検査AIをブラックボックスにせず、人が検証し続けられる形に保つことが、厳しい品質要求の世界では一層重要になっていくはずです。
Nsightの監修には、キーエンスの画像処理事業部で検査の現場に携わってきたメンバーが関わっています。照明と撮像の設計、限界見本の捉え方、過検出と見逃しのバランス——こうした検査の勘所は、カタログスペックだけでは語り尽くせない部分が多く、現場で積み上げた知見が効いてくる領域だと考えています。一方で、医薬品検査は製品・ライン・規制対応の事情が一社ごとに異なるため、「うまくいく」と断定できることは多くありません。だからこそ私たちは、まず自社の現品とライン条件で一緒に検証し、効果と限界を確かめてから次の一歩を決める、という進め方を大切にしています。欠錠・割れ・印字のうちどれを最初の対象にすべきか、自社の不良サンプルでどこまで判定が安定するのか——こうした問いは、現物を前にした検証を通じてはじめて確かなものになると考えています。関心をお持ちの場合は、まず小さく確かめるところからご一緒できればと思います。
欠錠はポケットの位置が規則的なため、各ポケットに想定どおりの錠剤が存在するかを評価する設計と相性が良く、画像AIで安定して捉えやすい項目だと考えられます。ただし「確実に」と断定はできません。錠剤の色や形、PTPの素材、ライン速度、照明環境によって適した撮像・判定は変わるため、自社の現品とライン条件での検証を前提に精度を見極めることをおすすめします。
印字の検査は、かすれ・欠け・滲みといった印字品質を捉えるだけでなく、読み取った文字列が当日の正しいロット・期限と一致するかを照合する設計が重要になります。文字の読み取りにはエッジで動くVLM-OCRなどの手法も選択肢に入りますが、誤りが許されにくい領域のため、読み取り結果を正しいマスタと突き合わせて検証する仕組みまで含めて組み立てる必要があると考えられます。
医薬品ラインは良品が大半を占めるため、不良サンプルが乏しいことはよくあります。この場合、不良を覚えさせる方式ではなく、正常な状態を十分に学んでそこからの逸脱を異常とみなすアプローチや、不良の作り込みを含めた検証設計が選択肢になります。サンプルの状況を踏まえてどう進めるかは、検証の初期段階で一緒に設計していくのが現実的だと考えられます。
技術的には、検査画像にロット番号・タイムスタンプ・判定結果・判定基準のバージョンなどを紐づけ、全数の判定を画像付きで自動保存することは射程に入っています。ただし、何をどの期間・どの形式で保存すべきか、また判定ロジック更新時の変更管理をどう扱うかは、製品区分や各社の品質方針、適用される規範によって異なります。本記事では断定を避け、自社の品質保証部門の方針に沿って設計する前提とすることをおすすめします。
必ずしもそうではありません。現実的な運用では、AIが全数を一次選別し、判定が微妙なものや不良候補だけを人が確認する役割分担が落としどころになることが多いと考えられます。これにより検査員は全数を見続ける負荷から解放され、難しい判定に集中できます。まずは効果が大きく定義の明確な項目から段階的に取り組み、効果と限界を確かめながら広げる進め方をおすすめします。
欠錠・割れ・印字のどれを最初の対象にすべきか、自社の不良サンプルでどこまで判定が安定するのか——現物を前にした検証ではじめて確かなことが見えてきます。元キーエンス画像処理事業部出身の監修者とともに、小さく確かめるところからご一緒します。
PoC・検証を相談する